内容感知可扩展深度压缩感知
本文尝试借助深度网络解决压缩感知中的采样效率和信号恢复的问题,通过训练一个采样矩阵和设计一个类似于压缩感知重构过程的深度网络,我们的实验结果显示,我们的方法相较于现有技术提供了显著的质量提高。
Jul, 2017
该研究提出了一种基于卷积神经网络的图像压缩感知编码框架,使用局部结构采样,并通过测量编码和拉普拉斯金字塔重构方法来提高编码效率和图像恢复质量。实验证明该方法在节省计算时间的基础上,优于现有的压缩感知编码方法。
Feb, 2024
本文提出了一种多尺度深度学习压缩感知卷积神经网络(MS-DCSNet),其利用多尺度小波变换将图像信号转换,然后通过卷积模块在不同尺度上进行块的捕获并直接从多尺度测量重建初始重构图像,并利用多尺度小波卷积技术增强最终重构质量,从而学习多尺度采样和多尺度重构,从而改善重构质量。
Sep, 2018
提出了一种新颖的自我监督可扩展深度压缩感知方法,称为 SCL 和 SCNet,它不需要 GT,可以处理任意的采样比率和矩阵。实验证明该方法在 1D/2D/3D 信号上取得了显著的效果和优越性能,具有灵活性和泛化能力,可以与最先进的有监督方法竞争。
Aug, 2023
该论文提出一种轻量级深度神经网络,基于逐渐回复图像的分层结构和使用循环学习进行深度重构,以达到高质量重构图像的同时降低计算、能源和存储成本,模型的性能优于现有压缩感知算法。
Apr, 2023
通过使用卷积神经网络(CNN)实现基于卷积的压缩感知(CS)框架,从而显着提高了图像重建的质量,而不仅仅是重新构建图像块,并基于自适应收缩基础上设计的 CS 重构网络,我们的方法不仅在 PSNR 方面,还在视觉质量方面优于以前的 CS 方法。
Jan, 2018
本文提出了一种基于块的压缩感知深度学习算法,通过完全连接网络进行块状线性感知和非线性重建,优化了感知矩阵和非线性重构算子,且在重构质量和计算时间方面优于现有技术。
Jun, 2016
本文提出了一种新的基于循环残差结构约束的图像压缩感知重构方法,称为 R^2CS-NET,该方法可以在适应性在线优化和图像重构中有效地整合在线优化的鲁棒性和深度学习方法的效率和非线性能力。该方法还可以通过利用通道相关性实现彩色图像压缩感知。经过实验验证,该方法具有较高的鲁棒性和泛化能力,可以在现有的深度压缩感知基准测试中表现出色。
Jul, 2022