論文の概要: Global Sensing and Measurements Reuse for Image Compressed Sensing

• arxiv url: http://arxiv.org/abs/2206.11629v1
• Date: Thu, 23 Jun 2022 11:36:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-24 19:02:18.574828
• Title: Global Sensing and Measurements Reuse for Image Compressed Sensing
• Title（参考訳）: 画像圧縮センシングのためのグローバルセンシングと計測再利用
• Authors: Zi-En Fan, Feng Lian, Jia-Ni Quan
• Abstract要約: ディープネットワークに基づく画像圧縮センシング法は,従来の方法に比べて高い再構成品質と計算オーバーヘッドの低減を実現した。 本稿では,GSM(Global Sensing Module)を用いたMR-CCSNet(Messages Reuse Convolutional Compressed Sensing Network)を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recently, deep network-based image compressed sensing methods achieved high reconstruction quality and reduced computational overhead compared with traditional methods. However, existing methods obtain measurements only from partial features in the network and use them only once for image reconstruction. They ignore there are low, mid, and high-level features in the network\cite{zeiler2014visualizing} and all of them are essential for high-quality reconstruction. Moreover, using measurements only once may not be enough for extracting richer information from measurements. To address these issues, we propose a novel Measurements Reuse Convolutional Compressed Sensing Network (MR-CCSNet) which employs Global Sensing Module (GSM) to collect all level features for achieving an efficient sensing and Measurements Reuse Block (MRB) to reuse measurements multiple times on multi-scale. Finally, experimental results on three benchmark datasets show that our model can significantly outperform state-of-the-art methods.
• Abstract（参考訳）: 近年,ディープネットワークを用いた画像圧縮センシング手法は,従来の手法に比べて高い再構成品質を達成し,計算オーバーヘッドを低減している。 しかし,既存の手法では,ネットワーク内の部分的特徴のみから計測値を取得し,画像再構成に一度だけ使用する。 彼らはネットワークに低、中、高レベルの特徴を無視する。cite{zeiler2014visualizing} は、これらすべてが高品質な再構築に不可欠である。 さらに、測定値を使用することは、測定値からよりリッチな情報を抽出するのに十分ではないかもしれない。 そこで本研究では,全レベル特徴の収集にglobal sensing module (gsm) を用いる新しい計測器再利用畳み込み型圧縮センシングネットワーク (mr-ccsnet) を提案し,マルチスケールで複数回計測を再利用する効率的なセンシング・測定再利用ブロック (mrb) を実現する。 最後に、3つのベンチマークデータセットの実験結果から、我々のモデルは最先端の手法を大幅に上回ることを示す。

関連論文リスト

• WTDUN: Wavelet Tree-Structured Sampling and Deep Unfolding Network for Image Compressed Sensing [51.94493817128006]
  マルチスケールウェーブレットサブバンド上で直接動作するWTDUNという新しいウェーブレットドメインの深層展開フレームワークを提案する。 本手法は,ウェーブレット係数の固有間隔とマルチスケール構造を利用して,木構造によるサンプリングと再構成を実現する。
  論文  参考訳（メタデータ） (2024-11-25T12:31:03Z)
• MOSAIC: Masked Optimisation with Selective Attention for Image Reconstruction [0.5541644538483947]
  本研究では,無作為な計測値の選択を考慮に入れた画像再構成のための新しい圧縮センシングフレームワークを提案する。 MOSAICは、エンコードされた一連の測定に注意機構を効率的に適用するために埋め込み技術を採用している。 既存のCS再建手法の代替として,提案するアーキテクチャを検証した。
  論文  参考訳（メタデータ） (2023-06-01T17:05:02Z)
• Few-shot Non-line-of-sight Imaging with Signal-surface Collaborative Regularization [18.466941045530408]
  非視線イメージング技術は、多重反射光からターゲットを再構成することを目的としている。 最小限の測定回数でノイズロバストを再現する信号表面の協調正規化フレームワークを提案する。 我々のアプローチは、救助活動や自律運転といったリアルタイム非視線画像アプリケーションにおいて大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2022-11-21T11:19:20Z)
• Image Compressed Sensing with Multi-scale Dilated Convolutional Neural Network [2.719222831651969]
  本稿では,CS計測と再構成のためのMsDCNN(Multiscale Dilated Convolution Neural Network)という新しいフレームワークを提案する。 測定期間中、完全に畳み込み構造を用いる訓練された測定ネットワークから、すべての測定値を直接取得する。 再建期間中に,人間の視覚システムを模倣するマルチスケール特徴抽出(MFE)アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-09-28T01:11:56Z)
• 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)
• Over-and-Under Complete Convolutional RNN for MRI Reconstruction [57.95363471940937]
  MR画像再構成のための最近のディープラーニングに基づく手法は、通常、汎用的なオートエンコーダアーキテクチャを利用する。 OUCR(Over-and-Under Complete Convolu?tional Recurrent Neural Network)を提案する。 提案手法は, トレーニング可能なパラメータの少ない圧縮されたセンシングと, 一般的なディープラーニングに基づく手法に対して, 大幅な改善を実現する。
  論文  参考訳（メタデータ） (2021-06-16T15:56:34Z)
• High Quality Remote Sensing Image Super-Resolution Using Deep Memory Connected Network [21.977093907114217]
  単一画像の超解像は、ターゲット検出や画像分類といった多くの用途において重要である。 本稿では,畳み込みニューラルネットワークによる高画質超解像画像の再構成手法として,DeepMemory Connected Network (DMCN)を提案する。
  論文  参考訳（メタデータ） (2020-10-01T15:06:02Z)
• Identity Enhanced Residual Image Denoising [61.75610647978973]
  我々は、アイデンティティマッピングモジュールのチェーンと、画像の復号化のための残像アーキテクチャの残像からなる、完全な畳み込みネットワークモデルを学ぶ。 提案するネットワークは,従来の最先端・CNNアルゴリズムよりも極めて高い数値精度と画像品質を実現している。
  論文  参考訳（メタデータ） (2020-04-26T04:52:22Z)
• When Residual Learning Meets Dense Aggregation: Rethinking the Aggregation of Deep Neural Networks [57.0502745301132]
  我々は,グローバルな残差学習と局所的なマイクロセンスアグリゲーションを備えた新しいアーキテクチャであるMicro-Dense Netsを提案する。 我々のマイクロセンスブロックはニューラルアーキテクチャ検索に基づくモデルと統合して性能を向上させることができる。
  論文  参考訳（メタデータ） (2020-04-19T08:34:52Z)
• 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)

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。