融合压缩感知与深度信号分离
该研究论文提出了一种利用多编码器自编码器的自然特征子空间专业化能力以及完全无监督学习来处理非线性混合的盲源分离的新方法,通过训练阶段将输入分解为多编码器网络的单独编码空间,然后在解码器内对这些表示进行重新混合以重建输入。同时引入了一种新颖的编码掩码技术,通过掩盖除一个编码之外的所有编码,使解码器能够估计源信号,并引入了所谓的通路分离损失和零重建损失以鼓励解码器各层之间的编码空间稀疏性,以及一致的源估计。为了精确评估我们的方法,我们在一个玩具数据集和实际生物信号记录(来自聚合睡眠研究)进行了实验,用于提取呼吸信号。
Aug, 2023
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
本文提出了一种结合压缩感知(CS)和神经网络生成器的新型框架,通过元学习联合训练生成器和优化过程,大大改善了信号恢复的速度和性能,并针对不同目标训练测量并从 CS 视角提出提高生成对抗网络(GANs)的新方法。
May, 2019
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
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
本文提出了一种单图像自监督压缩感知磁共振成像框架,能够实现压缩感知估计的深度与稀疏正则化,有效降低结构化压缩感知伪影,提高图像质量。通过对大脑和膝盖数据集使用 Cartesian 1D 掩码进行度量评估,平均峰值信噪比 (PSNR) 提高了 2-4dB。
Nov, 2023
本篇论文介绍了通过使用置信传播算法作为压缩感知的一种近似贝叶斯推断方法,使得压缩感知的编码矩阵可以表示为图形模型,并且通过使用稀疏编码矩阵来降低图形模型的大小来实现快速计算。该算法的复杂度为 O (Klog (N)) 和 O (Nlog^2 (N)), 而且在信号为混合高斯模型时表现出色。
Dec, 2008
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
本文提出了一种基于深度学习的方案,以改进基于压缩感知技术的叠加信道状态信息反馈,包括频分双工、大规模 MIMO、1 比特压缩感知、模型驱动方法和干扰消除技术等方面。该方案能够显著提高用户上联信息和下联信道状态信息的恢复精度,并具有对参数变化的鲁棒性。
Mar, 2022