論文の概要: Image Compressed Sensing Using Non-local Neural Network

• arxiv url: http://arxiv.org/abs/2112.03712v1
• Date: Tue, 7 Dec 2021 14:06:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-08 15:21:18.084849
• Title: Image Compressed Sensing Using Non-local Neural Network
• Title（参考訳）: 非局所ニューラルネットワークを用いた画像圧縮センシング
• Authors: Wenxue Cui, Shaohui Liu, Feng Jiang and Debin Zhao
• Abstract要約: 本稿では,非局所ニューラルネットワーク(NL-CSNet)を用いた新しい画像CSフレームワークを提案する。 提案したNL-CSNetでは,非局所的な自己相似性を生かした2つの非局所ワークが構築されている。 マルチスケール特徴領域のサブネットワークでは,高密度特徴表現間の親和性について検討する。
• 参考スコア（独自算出の注目度）: 43.51101614942895
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep network-based image Compressed Sensing (CS) has attracted much attention in recent years. However, the existing deep network-based CS schemes either reconstruct the target image in a block-by-block manner that leads to serious block artifacts or train the deep network as a black box that brings about limited insights of image prior knowledge. In this paper, a novel image CS framework using non-local neural network (NL-CSNet) is proposed, which utilizes the non-local self-similarity priors with deep network to improve the reconstruction quality. In the proposed NL-CSNet, two non-local subnetworks are constructed for utilizing the non-local self-similarity priors in the measurement domain and the multi-scale feature domain respectively. Specifically, in the subnetwork of measurement domain, the long-distance dependencies between the measurements of different image blocks are established for better initial reconstruction. Analogically, in the subnetwork of multi-scale feature domain, the affinities between the dense feature representations are explored in the multi-scale space for deep reconstruction. Furthermore, a novel loss function is developed to enhance the coupling between the non-local representations, which also enables an end-to-end training of NL-CSNet. Extensive experiments manifest that NL-CSNet outperforms existing state-of-the-art CS methods, while maintaining fast computational speed.
• Abstract（参考訳）: 近年,深層ネットワークに基づく画像圧縮センシング (CS) が注目されている。 しかし、既存のディープネットワークベースのcsスキームでは、ターゲットイメージをブロック単位で再構築することで深刻なブロックアーティファクトを発生させるか、イメージ事前知識の限られた洞察をもたらすブラックボックスとしてディープネットワークをトレーニングする。 本稿では,非局所ニューラルネットワーク(NL-CSNet)を用いた新しい画像CSフレームワークを提案する。 提案するNL-CSNetでは,測定領域とマルチスケール特徴領域の非局所的な自己相似性をそれぞれ利用するために,2つの非局所サブネットワークを構築している。 具体的には、測定領域のサブネットワークにおいて、異なる画像ブロックの測定間の長距離依存性を確立し、より優れた初期再構成を行う。 同様に、マルチスケール特徴領域のサブネットワークでは、密度の高い特徴表現間の親和性が、ディープリコンストラクションのためにマルチスケール空間で探索される。 さらに,NL-CSNetのエンドツーエンドトレーニングを可能にする非局所表現間の結合性を高めるために,新たな損失関数を開発した。 大規模な実験により、NL-CSNetは高速な計算速度を維持しながら、既存の最先端のCS手法より優れていることが示された。

関連論文リスト

• Hierarchical Interactive Reconstruction Network For Video Compressive Sensing [17.27398750515051]
  本稿では,空間的・時間的領域の奥深くを協調的に活用できる階層型ビデオCS再構成ネットワーク(HIT-VCSNet)を提案する。 時間領域では、多スケール空間における異なるフレーム間の相関関係を協調的に学習する新しい階層的相互作用機構が提案される。
  論文  参考訳（メタデータ） (2023-04-15T04:57:57Z)
• Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
  画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。 本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。 本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
  論文  参考訳（メタデータ） (2023-03-16T21:06:13Z)
• Image Superresolution using Scale-Recurrent Dense Network [30.75380029218373]
  畳み込みニューラルネットワーク(CNN)の設計の最近の進歩は、画像超解像(SR)の性能を大幅に向上させた。 残差ブロック内の一連の密接な接続を含む単位上に構築されたスケールリカレントSRアーキテクチャを提案する(Residual Dense Blocks (RDBs))。 我々のスケールリカレント設計は、現在の最先端のアプローチに比べてパラメトリックに効率的でありながら、より高いスケール要因の競合性能を提供する。
  論文  参考訳（メタデータ） (2022-01-28T09:18:43Z)
• RSI-Net: Two-Stream Deep Neural Network Integrating GCN and Atrous CNN for Semantic Segmentation of High-resolution Remote Sensing Images [3.468780866037609]
  本稿では,リモートセンシング画像(RSI-Net)のセマンティックセグメンテーションのための2ストリームディープニューラルネットワークを提案する。 実験はVayhingen、Potsdam、Gaofen RSIデータセットで実施されている。 その結果,6つの最先端RSIセマンティックセグメンテーション法と比較して,総合的精度,F1スコア,カッパ係数において,RSI-Netの優れた性能を示した。
  論文  参考訳（メタデータ） (2021-09-19T15:57:20Z)
• An Empirical Method to Quantify the Peripheral Performance Degradation in Deep Networks [18.808132632482103]
  畳み込みニューラルネットワーク(CNN)カーネルは、各畳み込み層に結合する。 より深いネットワークとストライドベースのダウンサンプリングを組み合わせることで、この領域の伝播は、画像の無視できない部分をカバーすることができる。 我々のデータセットは、高解像度の背景にオブジェクトを挿入することで構築され、画像境界に対してターゲットオブジェクトを特定の位置に配置するサブイメージを収穫することができる。 マスクR-CNNの動作を目標位置の選択にわたって探索することにより、画像境界付近、特に画像コーナーにおいて、パフォーマンス劣化の明確なパターンが明らかになる。
  論文  参考訳（メタデータ） (2020-12-04T18:00:47Z)
• Learning Deep Interleaved Networks with Asymmetric Co-Attention for Image Restoration [65.11022516031463]
  本稿では,高品質(本社)画像再構成のために,異なる状態の情報をどのように組み合わせるべきかを学習するディープインターリーブドネットワーク(DIN)を提案する。 本稿では,各インターリーブノードにアタッチメントされた非対称なコアテンション(AsyCA)を提案し,その特性依存性をモデル化する。 提案したDINはエンドツーエンドで訓練でき、様々な画像復元タスクに適用できる。
  論文  参考訳（メタデータ） (2020-10-29T15:32:00Z)
• Image Super-Resolution with Cross-Scale Non-Local Attention and Exhaustive Self-Exemplars Mining [66.82470461139376]
  本稿では,再帰型ニューラルネットワークに統合されたCS-NLアテンションモジュールを提案する。 新しいCS-NLと局所的および非局所的非局所的前駆体を強力な再帰核融合セルで組み合わせることで、単一の低分解能画像内でよりクロススケールな特徴相関を見出すことができる。
  論文  参考訳（メタデータ） (2020-06-02T07:08:58Z)
• Iterative Network for Image Super-Resolution [69.07361550998318]
  単一画像超解像(SISR)は、最近の畳み込みニューラルネットワーク(CNN)の発展により、大幅に活性化されている。 本稿では、従来のSISRアルゴリズムに関する新たな知見を提供し、反復最適化に依存するアプローチを提案する。 反復最適化の上に,新しい反復型超解像ネットワーク (ISRN) を提案する。
  論文  参考訳（メタデータ） (2020-05-20T11:11:47Z)
• Deep Adaptive Inference Networks for Single Image Super-Resolution [72.7304455761067]
  シングルイメージ超解像(SISR)は、ディープ畳み込みニューラルネットワーク(CNN)の展開により、近年大きく進歩している。 本稿では,深部SISR(AdaDSR)の適応型推論ネットワークを活用することで,この問題に対処する。 我々のAdaDSRは、SISRモデルをバックボーンとし、画像の特徴とリソース制約を入力として取り、ローカルネットワーク深さのマップを予測する軽量アダプタモジュールを備える。
  論文  参考訳（メタデータ） (2020-04-08T10:08:20Z)
• Geometric Approaches to Increase the Expressivity of Deep Neural Networks for MR Reconstruction [41.62169556793355]
  高速磁気共鳴画像(MRI)取得による画像再構成には,ディープラーニングのアプローチが広く研究されている。 ネットワークの複雑さとパフォーマンスのトレードオフをバランスさせるために、適切なネットワークアーキテクチャを選択する方法が明確ではない。 本稿では,ブートストラップとサブネットワークアグリゲーションを用いて,ニューラルネットワークの表現性を向上する手法を提案する。
  論文  参考訳（メタデータ） (2020-03-17T14:18:37Z)

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。