递归即所需:朝着高效深度展开网络迈进
本文提出了一种基于深度神经网络的图像压缩感知方法 ISTA-Net++,通过动态展开策略和交叉块策略实现了处理不同比率和多场景图像的优异性能,并通过平衡数据集的训练增强了算法的健壮性,在四个数据集上均表现出了最先进的定量指标和视觉质量。
Mar, 2021
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
本文提出了一种新的快速分层深度展开网络(FHDUN)用于图像压缩感知,并通过加速 FISTA 的策略实现超过 50%的迭代次数节约, FHDUN 优于现有的最先进的压缩感知方法,同时保持更少的迭代次数。
Aug, 2022
本文提出了一种深度展开模型 AMC-Net 来解决视觉图像的压缩感知重构问题,通过展开迭代卷积神经网络来模拟近似消息传递算法的去噪过程,同时集成去块模块以消除在图像压缩感知中经常出现的块状伪影,并联合训练采样矩阵和其他网络参数以提高重构精度。实验结果表明,该方法在重构精度、速度和参数数量等方面均优于其他先进方法。
Apr, 2020
本文提出了一种适用于图像压缩感知的新型 DUN 网络(称为 DUN-CSNet),通过引入内容自适应梯度更新和变形不变的非局部建模,解决了现有 DUN 网络的两个问题,从而实现了更广泛的上下文先验知识的感知,大幅超越了现有的其他压缩感知方法。
Oct, 2023
本文提出了基于采样先验的深度展开网络(SPA-DUN)用于高效、稳健的视频压缩感知重建。实验表明,SPA-DUN 在各种采样设置下都能取得最先进的性能,具有可解释性和通用性。
Jul, 2023
深度物理交融学习方案在图像重建方面取得了高精度和可解释性,并成为逆向成像任务的主流;本文提出了一种新颖的深度物理引导的非展开恢复学习框架,并通过优化和空间分解的两种不同视角提供了两种实现方法,展示了 PRL 网络在性能和效率方面明显的领先地位,具有进一步改进和应用于其他逆向成像问题或优化模型的潜力。
Jul, 2023
本文介绍了一种名为 deep unfolding 的方法,它将迭代优化算法和神经网络工具相结合,可以有效解决机器学习、信号处理、图像处理和通信系统等一系列任务。此次调查重点讨论了在多天线(MIMO)无线系统中,信号检测和预编码以及纠错码的置信传播解码等领域中应用深度展开的情况。实验表明,这种新兴的范式在通信系统中有着显著的效果和通用性。最后,我们总结了一些尚待进一步研究和未来研究方向。
Jun, 2019
深度展开是一种新兴的学习优化方法,在可训练的神经网络中展开剪枝迭代算法的层,本文提出使用随机下降约束进行训练的深度展开结构,理论上证明了输出序列的收敛性和对未知问题的泛化能力,同时展示了对扰动和干扰具有鲁棒性的优势。
Dec, 2023
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