Fugu-MT 論文翻訳(概要): Scalable Deep Compressive Sensing

論文の概要: Scalable Deep Compressive Sensing

arxiv url: http://arxiv.org/abs/2101.08024v2
Date: Fri, 22 Jan 2021 02:53:03 GMT
ステータス: 処理完了
システム内更新日: 2021-03-22 01:19:00.421805
Title: Scalable Deep Compressive Sensing
Title（参考訳）: スケーラブルなDeep Compressive Sensing
Authors: Zhonghao Zhang and Yipeng Liu and Xingyu Cao and Fei Wen and Ce Zhu
Abstract要約: 既存のディープラーニング手法の多くは、異なるサブサンプリング比率のために異なるモデルをトレーニングする。本研究では,拡張性深部圧縮センシング(SDCS)と呼ばれるフレームワークを開発し,既存のすべてのエンドツーエンド学習モデルの拡張性サンプリングと再構成を行う。実験の結果,SDCSを用いたモデルでは,良好な性能を維持しながら構造を変更せずにSSRを達成でき,SDCSは他のSSR法よりも優れていた。
参考スコア（独自算出の注目度）: 43.92187349325869
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep learning has been used to image compressive sensing (CS) for enhanced reconstruction performance. However, most existing deep learning methods train different models for different subsampling ratios, which brings additional hardware burden. In this paper, we develop a general framework named scalable deep compressive sensing (SDCS) for the scalable sampling and reconstruction (SSR) of all existing end-to-end-trained models. In the proposed way, images are measured and initialized linearly. Two sampling masks are introduced to flexibly control the subsampling ratios used in sampling and reconstruction, respectively. To make the reconstruction model adapt to any subsampling ratio, a training strategy dubbed scalable training is developed. In scalable training, the model is trained with the sampling matrix and the initialization matrix at various subsampling ratios by integrating different sampling matrix masks. Experimental results show that models with SDCS can achieve SSR without changing their structure while maintaining good performance, and SDCS outperforms other SSR methods.
Abstract（参考訳）: 深層学習は画像圧縮センシング(cs)に用いられており、再構成性能が向上している。しかし、既存のディープラーニング手法の多くは、異なるサブサンプリング比率で異なるモデルをトレーニングしており、ハードウェアの負担が増している。本稿では,拡張性深部圧縮センシング(SDCS)と呼ばれる,既存のエンドツーエンド学習モデルの拡張性サンプリング・再構成(SSR)のための汎用フレームワークを開発する。提案手法では,画像の測定と初期化を線形に行う。 2つのサンプリングマスクを導入し、それぞれサンプリングと再構成に使用されるサブサンプリング比を柔軟に制御する。再構成モデルを任意のサブサンプリング比率に適応させるため、スケーラブルトレーニングと呼ばれるトレーニング戦略を開発する。スケーラブルなトレーニングでは、異なるサンプリング行列マスクを統合することで、サンプル行列と初期化行列を様々なサブサンプリング比でトレーニングする。実験の結果,SDCSを用いたモデルでは,良好な性能を維持しながら構造を変更せずにSSRを達成でき,SDCSは他のSSR法よりも優れていた。