論文の概要: Plug-and-Play Algorithms for Large-scale Snapshot Compressive Imaging

• arxiv url: http://arxiv.org/abs/2003.13654v2
• Date: Fri, 17 Jul 2020 21:10:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-18 08:30:45.649896
• Title: Plug-and-Play Algorithms for Large-scale Snapshot Compressive Imaging
• Title（参考訳）: 大規模スナップショット圧縮イメージングのためのプラグアンドプレイアルゴリズム
• Authors: Xin Yuan, Yang Liu, Jinli Suo and Qionghai Dai
• Abstract要約: スナップショットイメージング(SCI)は、高次元(通常は3D)画像を1枚のスナップショットで2Dセンサー(検出器)でキャプチャすることを目的としている。 SCIをHD(UHD)ビデオに日々の生活に応用することは依然として難しい。 本稿では,プラグプレイフレームワークに基づく高速フレキシブルなSCIアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 43.50482493611073
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Snapshot compressive imaging (SCI) aims to capture the high-dimensional (usually 3D) images using a 2D sensor (detector) in a single snapshot. Though enjoying the advantages of low-bandwidth, low-power and low-cost, applying SCI to large-scale problems (HD or UHD videos) in our daily life is still challenging. The bottleneck lies in the reconstruction algorithms; they are either too slow (iterative optimization algorithms) or not flexible to the encoding process (deep learning based end-to-end networks). In this paper, we develop fast and flexible algorithms for SCI based on the plug-and-play (PnP) framework. In addition to the widely used PnP-ADMM method, we further propose the PnP-GAP (generalized alternating projection) algorithm with a lower computational workload and prove the convergence of PnP-GAP under the SCI hardware constraints. By employing deep denoising priors, we first time show that PnP can recover a UHD color video ($3840\times 1644\times 48$ with PNSR above 30dB) from a snapshot 2D measurement. Extensive results on both simulation and real datasets verify the superiority of our proposed algorithm. The code is available at https://github.com/liuyang12/PnP-SCI.
• Abstract（参考訳）: スナップショット圧縮イメージング(SCI)は、高次元(通常3次元)画像を1枚のスナップショットで2Dセンサー(検出器)でキャプチャすることを目的としている。 低帯域幅、低消費電力、低コストの利点を享受しながらも、私たちの日常生活における大規模な問題(HDやUHDビデオ)にSCIを適用することは依然として困難である。 ボトルネックは再構成アルゴリズムにある。それらは遅すぎる(反復最適化アルゴリズム)か、エンコーディングプロセス(ディープラーニングベースのエンドツーエンドネットワーク)に柔軟ではない。 本稿では,プラグイン・アンド・プレイ(PnP)フレームワークに基づく高速かつ柔軟なSCIアルゴリズムを開発する。 広く使われているPnP-ADMM法に加えて,計算負荷の少ないPnP-GAPアルゴリズムを提案し,SCIハードウェア制約下でのPnP-GAPの収束性を証明する。 PnP が UHD カラービデオ (3840\times 1644\times 48$ with PNSR above 30dB) をスナップショット2D 測定から復元できることを初めて示す。 シミュレーションと実データの両方の広範な結果から,提案アルゴリズムの優越性が検証された。 コードはhttps://github.com/liuyang12/pnp-sciで入手できる。

関連論文リスト

• Sliding Gaussian ball adaptive growth (SlingBAG): point cloud-based iterative algorithm for large-scale 3D photoacoustic imaging [20.286369270523245]
  本稿では,数桁の命令でメモリ消費を削減できるポイントクラウド型反復再構成アルゴリズムを提案する。 この手法はスライディングガウス球適応成長(SlingBAG)アルゴリズムと呼ばれ、高速反復とメモリ使用量の極端に少ない高速な3次元PA再構成を実現する。
  論文  参考訳（メタデータ） (2024-07-16T14:38:13Z)
• Splatter Image: Ultra-Fast Single-View 3D Reconstruction [67.96212093828179]
  Splatter ImageはGaussian Splattingをベースにしており、複数の画像から3Dシーンを高速かつ高品質に再現することができる。 テスト時に38FPSでフィードフォワードで再構成を行うニューラルネットワークを学習する。 いくつかの総合、実、マルチカテゴリ、大規模ベンチマークデータセットにおいて、トレーニング中にPSNR、LPIPS、その他のメトリクスでより良い結果を得る。
  論文  参考訳（メタデータ） (2023-12-20T16:14:58Z)
• EfficientSCI: Densely Connected Network with Space-time Factorization for Large-scale Video Snapshot Compressive Imaging [6.8372546605486555]
  圧縮率の高いUHDカラービデオは,PSNRが32dB以上である単一エンドツーエンドのディープラーニングモデルを用いて,スナップショット2次元計測から再構成可能であることを示す。 提案手法は,従来のSOTAアルゴリズムよりも性能が優れ,リアルタイム性能が向上した。
  論文  参考訳（メタデータ） (2023-05-17T07:28:46Z)
• Scalable Neural Video Representations with Learnable Positional Features [73.51591757726493]
  我々は,学習可能な位置特徴(NVP)を用いて,映像を潜時符号として効果的に再生するニューラル表現の訓練方法を示す。 一般的なUVGベンチマークにおけるNVPの優位性を実証し,先行技術と比較して,NVPは2倍の速度(5分以内)で走行するだけでなく,符号化品質も34.07rightarrow$34.57(PSNR測定値で測定)に上回っている。
  論文  参考訳（メタデータ） (2022-10-13T08:15:08Z)
• Small Lesion Segmentation in Brain MRIs with Subpixel Embedding [105.1223735549524]
  ヒト脳のMRIスキャンを虚血性脳梗塞と正常組織に分割する方法を提案する。 本稿では,空間展開埋め込みネットワークによって予測を導出する標準エンコーダデコーダの形式でニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-09-18T00:21:17Z)
• 10-mega pixel snapshot compressive imaging with a hybrid coded aperture [48.95666098332693]
  高解像度画像は私たちの日常生活で広く使われているが、高解像度モードで動作するカメラのフレームレートが低いため、高速ビデオ撮影は困難である。 既存の撮像システムの低スループット化への解決策として、スナップショットイメージング(SCI)が提案された。
  論文  参考訳（メタデータ） (2021-06-30T01:09:24Z)
• Snapshot Compressive Imaging: Principle, Implementation, Theory, Algorithms and Applications [23.304009992886286]
  スナップショット圧縮イメージング(SCI)は2次元(2D)検出器を使用して、HD(ge3$D)データをエムスナップショット測定でキャプチャする。 本稿では、最適化に基づくアルゴリズムとディープラーニングに基づくアルゴリズムの両方を含む、sciハードウェア、理論、アルゴリズムの最近の進歩を概観する。
  論文  参考訳（メタデータ） (2021-03-07T18:31:47Z)
• Memory-Efficient Network for Large-scale Video Compressive Sensing [21.040260603729227]
  ビデオスナップショットイメージング(SCI)は、2D検出器を用いて1枚のショットで一連のビデオフレームをキャプチャする。 本稿では,マルチグループ可逆3次元畳み込みニューラルネットワークに基づく大規模映像SCIのためのメモリ効率の良いネットワークを開発する。
  論文  参考訳（メタデータ） (2021-03-04T15:14:58Z)
• Plug-and-Play Algorithms for Video Snapshot Compressive Imaging [41.818167109996885]
  低速2dセンサ(検出器)を用いたスナップショット映像撮影(sci)の再構成問題を考える。 SCIの基本原則は、異なるマスクを持つフレームを変調し、エンコードされたフレームをセンサーのスナップショットに統合することです。 私たちの日常生活で大規模な問題(HDまたはUHDビデオ)にSCIを適用することは、まだ1つのボトルネックが再構築アルゴリズムにあります。
  論文  参考訳（メタデータ） (2021-01-13T00:51:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。