Jan, 2024

基于测量边界的速率自适应图像压缩感知网络

PDF
TL;DR本文提出了一种基于测量上界理论的率自适应图像压缩感知网络 (MB-RACS) 框架，其旨在根据传统测量上界理论自适应确定每个图像块的采样率。此外，我们还提出了一种多阶段率自适应采样策略，通过前几次采样获得的信息顺序调整采样率分配，并使用牛顿法和二分搜索技术解决该问题。与现有方法相比，实验证明了所提出的 MB-RACS 方法的优越性，并且实验证据还强调了我们提出框架中每个模块的有效性。
compressed sensingmeasurement boundsrate-adaptive samplingconvex optimizationskip connections
发现论文，激发创造
  • 内容感知可扩展深度压缩感知

    提出了一种新的内容感知可扩展网络 CASNet，采用数据驱动的显着性检测器评估不同图像区域的重要性，并提出基于显着性的块比率聚合策略进行采样率分配，用联合可学习的生成矩阵生成任何 CS 比率的采样矩阵。同时，CASNet 拥有优化启发式恢复子网络和防止阻塞伪影的多块训练方案，该网络能够联合重建不同采样率采样的图像块。

    Jul, 2022

  • 压缩感知中的量化深度与测量速率对制度变革的影响

    本文研究了基于有限字母表编码的测量压缩和数据压缩的压缩感知框架，在高信噪比和低信噪比两种情况下，通过测量位数和每个测量数据的位数之间的权衡来实现稳定重建，并发现在许多实际应用中，以低信噪比进行量化压缩 (obtained more measurements with fewer bits per measurement) 通常更好。

    Oct, 2011

  • 全球感知与测量重用于图像压缩感知

    本研究介绍了一种新颖的测量重用卷积压缩感知网络 (MR-CCSNet)，它利用全局感知模块 (GSM) 收集所有级别的特征，使用多尺度上的多次测量重用块 (MRB) 来增强信息提取能力。实验结果表明，在三个基准数据集上，该模型大大优于现有的最先进方法。

    Jun, 2022

  • 基于深度学习的图像块压缩感知

    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

  • 基于块的图像压缩感知的多通道深度网络

    本文提出了一种多通道深度网络，通过利用块间相关性来开发基于块的图像压缩感知，从而在消除阻塞伪影的同时实现了块级逼近，巨大地提高了图像恢复的性能。

    Aug, 2019

  • 盲压缩感知的稀疏变换联合学习模型基于数据驱动

    本研究提出了一种同时重建基础图像和未知模型的盲压缩感知框架，用于利用稀疏变换或字典中图像 / 图像补丁的稀疏性从高度欠采样的测量中精确恢复图像。我们将这个模型扩展到了一个转换融合模型，以更好地捕捉自然图像中的特征。与其他最近的图像重建方法相比，我们的数值实验表明，提出的框架通常会导致 MRI 图像重建的质量更好。

    Nov, 2015

  • 基于卷积神经网络的多速率压缩感知用于大规模 MIMO CSI 反馈：设计，仿真和分析

    本文提出了一种多速度压缩感知神经网络框架来压缩和量化 CSI，从而提高重建精度、减少存储空间，增强系统可行性，并通过可视化参数研究了基于深度学习的 CSI 反馈方法的压缩和重建机制，提供了随后的研究指导。

    Jun, 2019

  • 基于模型的压缩感知

    本文提出了一种基于模型的压缩感知理论，提供了如何创建具有可证明性能保证的基于模型的恢复算法的具体指南，其中包括引入一类新的结构压缩信号以及一个新的充分条件来描述其恢复性能，命名为有限放大性质，这对应于传统压缩感知限制等比性的自然扩展。实验结果表明了这一新理论和算法的有效性和适用性。

    Aug, 2008

  • ReconNet: 从压缩感知随机测量中非迭代重建图像

    本文提出了 ReconNet 算法，该算法采用卷积神经网络和去噪器对压缩感知中的图像进行重建，实现了在较低的感知率下恢复图像的目的。经实验证明，该算法对传感器噪声高度鲁棒，重建图像的质量优于业内同类算法。

    Jan, 2016

  • BANSAC: 自适应样本共识的动态贝叶斯网络

    该研究提出了一种适用于 RANSAC 的自适应采样方法，利用动态贝叶斯网络来更新数据点的内点得分，并采用加权采样和新的停止准则来提高算法的计算效率和准确性。

    Sep, 2023