論文の概要: FSOINet: Feature-Space Optimization-Inspired Network for Image Compressive Sensing

• arxiv url: http://arxiv.org/abs/2204.05503v1
• Date: Tue, 12 Apr 2022 03:30:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-13 13:13:04.204089
• Title: FSOINet: Feature-Space Optimization-Inspired Network for Image Compressive Sensing
• Title（参考訳）: FSOINet:画像圧縮センシングのための特徴空間最適化型ネットワーク
• Authors: Wenjun Chen, Chunling Yang, Xin Yang
• Abstract要約: 本稿では,情報フローのフェーズを特徴空間で段階的に実現し,特徴空間最適化にインスパイアされたネットワーク(FSOINet)を設計する手法を提案する。 実験により、提案したFSOINetは既存の最先端手法よりも、定量的にも定性的にも大きなマージンで優れていることが示された。
• 参考スコア（独自算出の注目度）: 11.352530132548912
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, deep learning-based image compressive sensing (ICS) methods have achieved brilliant success. Many optimization-inspired networks have been proposed to bring the insights of optimization algorithms into the network structure design and have achieved excellent reconstruction quality with low computational complexity. But they keep the information flow in pixel space as traditional algorithms by updating and transferring the image in pixel space, which does not fully use the information in the image features. In this paper, we propose the idea of achieving information flow phase by phase in feature space and design a Feature-Space Optimization-Inspired Network (dubbed FSOINet) to implement it by mapping both steps of proximal gradient descent algorithm from pixel space to feature space. Moreover, the sampling matrix is learned end-to-end with other network parameters. Experiments show that the proposed FSOINet outperforms the existing state-of-the-art methods by a large margin both quantitatively and qualitatively. The source code is available on https://github.com/cwjjun/FSOINet.
• Abstract（参考訳）: 近年,深層学習に基づく画像圧縮センシング(ics)手法が目覚ましい成功を収めている。 多くの最適化に触発されたネットワークは、最適化アルゴリズムの洞察をネットワーク構造設計にもたらし、計算複雑性の低い優れた再構成品質を達成するために提案されている。 しかし、画像の特徴を十分に利用していないピクセル空間の画像を更新、転送することで、従来のアルゴリズムとして、情報フローをピクセル空間に保持する。 本稿では,情報フロー位相を特徴空間の位相ごとに達成し,特徴空間最適化に触発されたネットワーク(fsoinet)を設計し,近位勾配降下アルゴリズムの両ステップを画素空間から特徴空間にマッピングする手法を提案する。 さらに、サンプリング行列は、他のネットワークパラメータと共にエンドツーエンドに学習される。 実験により,fsoinetは既存の最先端手法を定量的に,質的にも大きなマージンで上回ることがわかった。 ソースコードはhttps://github.com/cwjjun/FSOINet.comで入手できる。

関連論文リスト

• GraphCSPN: Geometry-Aware Depth Completion via Dynamic GCNs [49.55919802779889]
  本稿では,グラフ畳み込みに基づく空間伝搬ネットワーク(GraphCSPN)を提案する。 本研究では、幾何学的表現学習において、畳み込みニューラルネットワークとグラフニューラルネットワークを相補的に活用する。 提案手法は,数段の伝搬ステップのみを使用する場合と比較して,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2022-10-19T17:56:03Z)
• Progressive with Purpose: Guiding Progressive Inpainting DNNs through Context and Structure [0.0]
  本稿では,処理された画像の構造的・文脈的整合性を維持する新しい塗装ネットワークを提案する。 ガウスピラミッドとラプラシアピラミッドに触発されたこのネットワークのコアは、GLEと呼ばれる特徴抽出モジュールである。 ベンチマーク実験により, 提案手法は, 多くの最先端の塗装アルゴリズムに対して, 性能の向上を図っている。
  論文  参考訳（メタデータ） (2022-09-21T02:15:02Z)
• USegScene: Unsupervised Learning of Depth, Optical Flow and Ego-Motion with Semantic Guidance and Coupled Networks [31.600708674008384]
  UegSceneは、ステレオカメラ画像の奥行き、光学的流れ、エゴモーション推定を意味的に導くためのフレームワークである。 一般的なKITTIデータセットを用いて,提案手法が他の手法よりも大きなマージンで優れていることを示す。
  論文  参考訳（メタデータ） (2022-07-15T13:25:47Z)
• Rank-Enhanced Low-Dimensional Convolution Set for Hyperspectral Image Denoising [50.039949798156826]
  本稿では,ハイパースペクトル(HS)画像の難解化問題に対処する。 ランク付き低次元畳み込み集合(Re-ConvSet)を提案する。 次に、Re-ConvSetを広く使われているU-Netアーキテクチャに組み込んで、HS画像復号法を構築する。
  論文  参考訳（メタデータ） (2022-07-09T13:35:12Z)
• Deep Generalized Unfolding Networks for Image Restoration [16.943609020362395]
  画像復元のためのDeep Generalized Unfolding Network (DGUNet)を提案する。 我々は、勾配推定戦略をPGDアルゴリズムの勾配降下ステップに統合する。 我々の手法は、最先端の性能、解釈可能性、一般化可能性の点で優れている。
  論文  参考訳（メタデータ） (2022-04-28T08:39:39Z)
• Learning Enriched Features for Fast Image Restoration and Enhancement [166.17296369600774]
  本稿では,ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とする。 我々は、高解像度の空間的詳細を同時に保存しながら、複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。 提案手法は,デフォーカス・デブロアリング,画像デノイング,超解像,画像強調など,さまざまな画像処理タスクに対して,最先端の処理結果を実現する。
  論文  参考訳（メタデータ） (2022-04-19T17:59:45Z)
• SDWNet: A Straight Dilated Network with Wavelet Transformation for Image Deblurring [23.86692375792203]
  画像劣化は、ぼやけた画像から鋭い画像を復元することを目的としたコンピュータビジョンの問題である。 我々のモデルは拡張畳み込みを用いて空間分解能の高い大きな受容場を得ることができる。 本稿では,ウェーブレット変換を用いた新しいモジュールを提案する。
  論文  参考訳（メタデータ） (2021-10-12T07:58:10Z)
• NAS-DIP: Learning Deep Image Prior with Neural Architecture Search [65.79109790446257]
  近年の研究では、深部畳み込みニューラルネットワークの構造が、以前に構造化された画像として利用できることが示されている。 我々は,より強い画像の先行を捉えるニューラルネットワークの探索を提案する。 既存のニューラルネットワーク探索アルゴリズムを利用して,改良されたネットワークを探索する。
  論文  参考訳（メタデータ） (2020-08-26T17:59:36Z)
• Deformable spatial propagation network for depth completion [2.5306673456895306]
  本稿では,各画素に対して異なる受容場と親和性行列を適応的に生成する変形可能な空間伝搬ネットワーク(DSPN)を提案する。 これにより、ネットワークは伝播のためのより少ないがより関連性の高い情報を得ることができる。
  論文  参考訳（メタデータ） (2020-07-08T16:39:50Z)
• Learning Enriched Features for Real Image Restoration and Enhancement [166.17296369600774]
  畳み込みニューラルネットワーク(CNN)は、画像復元作業における従来のアプローチよりも劇的に改善されている。 ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とした,新しいアーキテクチャを提案する。 提案手法は,高解像度の空間的詳細を同時に保存しながら,複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。
  論文  参考訳（メタデータ） (2020-03-15T11:04:30Z)
• Real-Time High-Performance Semantic Image Segmentation of Urban Street Scenes [98.65457534223539]
  都市景観のロバストなセマンティックセマンティックセグメンテーションのためのリアルタイムDCNNに基づく高速DCNN手法を提案する。 提案手法は, 51.0 fps と 39.3 fps の推論速度で, 平均 73.6% と平均 68.0% (mIoU) の精度を実現する。
  論文  参考訳（メタデータ） (2020-03-11T08:45:53Z)

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。