論文の概要: ATP-Net: An Attention-based Ternary Projection Network For Compressed
Sensing
- arxiv url: http://arxiv.org/abs/2106.12728v1
- Date: Thu, 24 Jun 2021 02:22:28 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-26 06:52:01.656952
- Title: ATP-Net: An Attention-based Ternary Projection Network For Compressed
Sensing
- Title（参考訳）: ATP-Net:圧縮センシングのためのアテンションベースの3次元投影ネットワーク
- Authors: Guanxiong Nie, Yajian Zhou
- Abstract要約: 圧縮センシング(CS)理論は、信号サンプリングと圧縮のプロセスを同時に実現し、より少ない観測で正確な信号回復を実現することができる。
3次サンプリング行列に基づく3次サンプリング手法を提案し、CSサンプリング行列がランダム行列であり、サンプリング信号とは無関係であり、大容量の記憶空間を必要とすることを解決した。
ATP-Netと呼ばれる3次サンプリング行列に基づいて,特に画像再構成のための圧縮センシングアルゴリズムを実装した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Compressed Sensing (CS) theory simultaneously realizes the signal sampling
and compression process, and can use fewer observations to achieve accurate
signal recovery, providing a solution for better and faster transmission of
massive data. In this paper, a ternary sampling matrix-based method with
attention mechanism is proposed with the purpose to solve the problem that the
CS sampling matrices in most cases are random matrices, which are irrelative to
the sampled signal and need a large storage space. The proposed method consists
of three components, i.e., ternary sampling, initial reconstruction and deep
reconstruction, with the emphasis on the ternary sampling. The main idea of the
ternary method (-1, 0, +1) is to introduce the attention mechanism to evaluate
the importance of parameters at the sampling layer after the sampling matrix is
binarized (-1, +1), followed by pruning weight of parameters, whose importance
is below a predefined threshold, to achieve ternarization. Furthermore, a
compressed sensing algorithm especially for image reconstruction is
implemented, on the basis of the ternary sampling matrix, which is called
ATP-Net, i.e., Attention-based ternary projection network. Experimental results
show that the quality of image reconstruction by means of ATP-Net maintains a
satisfactory level with the employment of the ternary sampling matrix, i.e.,
the average PSNR on Set11 is 30.4 when the sampling rate is 0.25, approximately
6% improvement compared with that of DR2-Net.
- Abstract（参考訳）: 圧縮センシング(cs)理論は、信号サンプリングと圧縮を同時に実現し、より少ない観測で正確な信号回復を達成し、大規模データのより良く高速な伝送のソリューションを提供する。
本稿では,注意機構を持つ三元サンプリング行列に基づく手法を提案する。これは,ほとんどの場合,csサンプリング行列がランダム行列であり,サンプル信号と無関係であり,大きな記憶空間を必要とする問題である。
提案手法は,三元サンプリング,初期再構成,深部再構築の3つの構成要素からなり,三元サンプリングを重視した。
三項法(-1, 0, +1)の主な考え方は、サンプリング行列が二項化(-1, +1)された後にサンプリング層におけるパラメータの重要性を評価するための注意機構を導入することである。
さらに,3次サンプリング行列(ATP-Net,すなわちアテンションに基づく3次プロジェクションネットワーク)に基づいて,特に画像再構成のための圧縮センシングアルゴリズムを実装した。
実験の結果, ATP-Netによる画像再構成の精度は, 3次サンプリングマトリックスの使用により良好であり, サンプリングレート0.25のSet11の平均PSNRは30.4であり, DR2-Netに比べて約6%改善していることがわかった。
関連論文リスト
- DC-Solver: Improving Predictor-Corrector Diffusion Sampler via Dynamic Compensation [68.55191764622525]
拡散モデル(DPM)は、視覚合成において顕著な性能を示すが、サンプリング中に複数の評価を必要とするため、計算コストが高い。
最近の予測器合成・拡散サンプリング装置は,要求される評価回数を大幅に削減したが,本質的には誤調整の問題に悩まされている。
我々はDC-CPRrと呼ばれる新しい高速DPMサンプリング装置を導入する。
論文 参考訳（メタデータ） (2024-09-05T17:59:46Z) - Direct Zernike Coefficient Prediction from Point Spread Functions and Extended Images using Deep Learning [36.136619420474766]
既存の適応光学系は、収差を補正し、画像を改善するために反復探索アルゴリズムに依存している。
本研究は、光収差を特徴付ける畳み込みニューラルネットワークの応用を実証する。
論文 参考訳（メタデータ） (2024-04-23T17:03:53Z) - Generalization of pixel-wise phase estimation by CNN and improvement of
phase-unwrapping by MRF optimization for one-shot 3D scan [0.621405559652172]
シングルパターンプロジェクション(ワンショット3Dスキャン)を用いたアクティブステレオ技術は、産業や医療目的などから広く注目を集めている。
ワンショット3Dスキャンの深刻な欠点はスパース再構成である。
パターンが正規かつ周期的であれば,任意のタイプの静的パターンに適用可能なワンショットスキャンのための画素ワイズ手法を提案する。
論文 参考訳（メタデータ） (2023-09-26T10:45:04Z) - JSRNN: Joint Sampling and Reconstruction Neural Networks for High
Quality Image Compressed Sensing [8.902545322578925]
提案フレームワークには,サンプリングサブネットワークと再構築サブネットワークという2つのサブネットワークが含まれている。
再構成サブネットワークでは、スタックド・デノイング・オートエンコーダ(SDA)と畳み込みニューラルネットワーク(CNN)を組み合わせたカスケードネットワークが信号の再構成のために設計されている。
このフレームワークは、特にサンプリングレートの低い他の最先端手法よりも優れている。
論文 参考訳（メタデータ） (2022-11-11T02:20:30Z) - NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。
所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。
ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
論文 参考訳（メタデータ） (2022-09-29T04:06:00Z) - PUERT: Probabilistic Under-sampling and Explicable Reconstruction
Network for CS-MRI [47.24613772568027]
圧縮センシングMRI(Compressed Sensing MRI)は,k空間データをサンプリングし,MRI画像の高速化を目的とする。
本稿では,サンプリングパターンと再構成ネットワークを協調的に最適化するために,PUERTと呼ばれる新しいエンドツーエンドの確率的アンダーサンプリングと明示的再構成neTworkを提案する。
2つの広く利用されているMRIデータセットの実験により、提案したPUERTは、定量的な測定値と視覚的品質の両方の観点から、最先端の結果が得られることを示した。
論文 参考訳（メタデータ） (2022-04-24T04:23:57Z) - Weighted Encoding Optimization for Dynamic Single-pixel Imaging and
Sensing [5.009136541766621]
動的レート適応型単画素イメージングとセンシングのための重み付け最適化手法について報告する。
MNISTデータセットの実験では、ネットワークがサンプリングレート1でトレーニングされると、平均画像PSNRは0.1サンプリングレートで23.50dBに達することが検証された。
論文 参考訳（メタデータ） (2022-01-08T14:11:22Z) - SignalNet: A Low Resolution Sinusoid Decomposition and Estimation
Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。
基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。
シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文 参考訳（メタデータ） (2021-06-10T04:21:20Z) - Deep Unfolded Recovery of Sub-Nyquist Sampled Ultrasound Image [94.42139459221784]
本稿では,ISTAアルゴリズムの展開に基づく時空間領域におけるサブNyquistサンプルからの再構成手法を提案する。
本手法は,高品質な撮像性能を確保しつつ,配列要素数,サンプリングレート,計算時間を削減できる。
論文 参考訳（メタデータ） (2021-03-01T19:19:38Z) - Neural BRDF Representation and Importance Sampling [79.84316447473873]
本稿では,リフレクタンスBRDFデータのコンパクトニューラルネットワークに基づく表現について述べる。
BRDFを軽量ネットワークとしてエンコードし、適応角サンプリングによるトレーニングスキームを提案する。
複数の実世界のデータセットから等方性および異方性BRDFの符号化結果を評価する。
論文 参考訳（メタデータ） (2021-02-11T12:00:24Z) - Extending LOUPE for K-space Under-sampling Pattern Optimization in
Multi-coil MRI [7.7917530616285235]
MRIにおけるk空間サンプリングパターンを最適化するための以前確立されたLOフレームワークを3倍に拡張した。
解析された最適サンプリングパターンは, 従来の再構成手法を用いた場合, 手作り可変密度サンプリングパターンよりも良好に動作した。
論文 参考訳（メタデータ） (2020-07-28T19:41:47Z)
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。