- 无线通信稀疏表示:一种压缩感知方法
本文介绍了稀疏表示在无线通信领域的各种应用,重点介绍了最近在压缩感知技术方面的应用。文章提供了稀疏表示在 5G 和物联网网络中增强频谱效率和能效的相关原则、不同稀疏域及其应用。
- ICML近乎最优的鲁棒子空间跟踪
本文研究了强鲁棒子空间跟踪问题,并通过提出一种名为 ReProCS-NORST 的递归投影压缩感知算法来解决该问题。该算法在跟踪延迟和异常值容忍度方面都具有优越性能,并且可以看作是强鲁棒主成分分析和动态主成分分析的扩展。
- MM下一代无线通信的压缩感知技术
通过对无线网络处理技术进行深入的研究与探索,本篇论文探究了相关过程的不同表现形式。同时,结合压缩感知技术,本研究提出了许多有关大规模天线阵列、非正交多路访问(NOMA)和超密集网络(UDN)等领域的有前景的研究思路。
- MM一种基于压缩感知的社团检测方法及应用
该研究提出了基于稀疏线性系统和两阶段阈值和压缩感知算法的社区检测问题解决方案,在较小计算量内有效地在 Stochastic Block Model 模型的随机图数据以及真实数据集上实现图的划分。
- 使用卷积神经网络对压缩感知图像进行非迭代重建
提出了一种用于低测量率情况下的数据驱动非迭代算法 - ReconNet,它是一个端到端学习的深度神经网络,能够实时地将场景的测量映射到所需的图像块,并且能够在测量噪声存在的情况下产生比迭代算法更高 PSNR 值的重建结果。
- MM基于残差帧的稀疏重构技术实现的可扩展视频超分辨率框架
文章提出了一个基于稀疏表示和压缩感知的超分辨率框架,用于在侦察和监视应用中对可扩展视频进行处理,实验结果表明,该框架具有更高的压缩率和更高的视频质量,是一种有效的压缩率更高、图像质量更优的视频处理算法。
- DeepCodec: 基于深度卷积神经网络的自适应感知与恢复
本文提出了一种新型的计算感知框架,以深度卷积神经网络为基础,通过学习从原始信号到少量欠采样信号的转换和从欠采样信号到原始信号的逆转换,实现了结构化信号的感知和恢复。通过与传统压缩感知方法相比较,实验证明所提出的方法在信号恢复的性能、训练速度 - CVPRISTA-Net: 可解释的启发式图像压缩感知深度网络优化
本研究致力于发展一种快速而准确的压缩感知(CS)自然图像重建算法,通过结合传统基于优化和最近基于网络的 CS 方法的优点,提出了一种新颖的结构化深度网络 ISTA-Net,并通过端到端学习来训练其所有参数,我们的实验表明,IST-Net 在 - 基于压缩感知的图像压缩:端到端与 JPEG 的比较
基于压缩感知的端到端图像压缩系统,结合传统压缩采样重建、量化和熵编码,可与 JPEG 相媲美,在低码率下表现显著优越。通过研究影响系统性能的参数,我们提出了一种有效的方法来联合控制量化步长和压缩比,以实现在任何给定比特率下达到接近最优的质量 - 快速压缩感知 MRI 的深度去混叠
本文提出了一种基于条件生成对抗网络的深度学习框架,能够从高度欠采样的数据重建 MRI 图像,并在重建误差和感知图像质量方面优于最先进的压缩感知 MRI 方法,同时可实现每张图像 0.22ms 至 0.37ms 的重建速度,具有实时应用潜力。
- ADMM-Net:基于深度学习的压缩感知磁共振成像方法
本文提出了两种新颖的深度学习网络来优化基于压缩感知的磁共振成像(MRI)重建的准确度和速度,这两种网络被称为 ADMM-Nets,在训练阶段,将所有参数进行差异性训练,同时在测试阶段使用已经优化的参数来实现 MRI 重建任务。经过大量实验, - 通过广义熵函数最小化实现的稀疏信号恢复
本文提出了一种基于广义香农熵函数和熵函数的稀疏项,该函数可以适应性地促进多个高能系数同时抑制其余低能系数,进而在压缩感知信号恢复中获得最先进的性能。
- DR2-Net: 基于深度残差重建网络的图像压缩感知
提出基于深度残差网络的压缩感知图像重构算法 DR$^{2}$-Net,通过两个观察,即线性映射可以重建高质量的初步图像,残差学习可以进一步提高重建质量。DR$^{2}$-Net 由线性映射网络和残差网络两个组件构成,实验结果表明其在压缩感知 - 通过深度卷积神经网络学习反演:信号恢复
本研究致力于解决压缩感知中遇到的两个挑战问题:真实数据在固定基下不是稀疏的;当前的高性能恢复算法收敛速度慢,这限制了压缩感知的应用。通过使用深度卷积神经网络,我们开发了一个名为 DeepInverse 的新信号恢复框架,从测量向量学习逆变换 - 利用非局部拉格朗日乘子的总变差重建压缩感知
本文中提出了一种基于 Lagrangian 乘子的简单实现方法,即非局部 Lagrangian 乘子(NLLM),以减小噪声并增强有效图像信息,实验结果表明,该方法在恢复图像的客观和主观质量方面都优于其他恢复算法。
- 通过迭代硬阈值方法实现低秩张量恢复
本文研究了如何从少量线性测量中恢复高阶的低秩张量,介绍了几种张量分解的迭代硬阈值算法,并探讨了其收敛性,界限和性能,考虑了高斯随机测量、张量补全和傅里叶测量等不同情形。
- CVPRReconNet: 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。
- 基于广义交替投影的压缩感知总变分最小化
本研究考虑了用于压缩感知的总变差最小化问题,并使用广义交替投影算法进行求解。结果表明,该算法在压缩感知中表现优异,包括二维图像、高光谱图像和视频。我们进一步推导了针对视频和高光谱图像压缩感知的 ADMM 框架,并提供了 GAP 和 ADMM - 通过低秩高斯混合模型进行压缩感知
本文提出了一种利用高斯混合模型进行压缩感知反演的算法,通过在局部图像块上施加低秩 GMM,迭代更新 GMM 及测量数据的投影矩阵,同时提出了低秩 PLE 算法,在模拟数据和真实数据上取得了较好的重建效果。
- 深度学习方法应用于结构化信号恢复
本文提出了一个新的感知和恢复结构化信号的深度学习框架,并应用堆栈去噪自编码器(SDA)进行统计依赖性捕获来提高信号恢复性能。