論文の概要: Single-Pixel Image Reconstruction Based on Block Compressive Sensing and Deep Learning

• arxiv url: http://arxiv.org/abs/2207.06746v1
• Date: Thu, 14 Jul 2022 08:55:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-15 23:31:29.774189
• Title: Single-Pixel Image Reconstruction Based on Block Compressive Sensing and Deep Learning
• Title（参考訳）: ブロック圧縮センシングとディープラーニングによるシングルピクセル画像再構成
• Authors: Stephen L. H. Lau and Edwin K. P. Chong
• Abstract要約: 単画素イメージング(SPI)は、圧縮センシング理論に基づく作業原理に基づく新しいイメージング技術である。 近年のディープラーニングの進歩は、CS画像の再構成に利用されてきた。 本モデルでは,SPI設定から得られた画像を,自然画像に基づいて事前訓練しながら再構成可能であることを示す。
• 参考スコア（独自算出の注目度）: 0.40611352512781856
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Single-pixel imaging (SPI) is a novel imaging technique whose working principle is based on the compressive sensing (CS) theory. In SPI, data is obtained through a series of compressive measurements and the corresponding image is reconstructed. Typically, the reconstruction algorithm such as basis pursuit relies on the sparsity assumption in images. However, recent advances in deep learning have found its uses in reconstructing CS images. Despite showing a promising result in simulations, it is often unclear how such an algorithm can be implemented in an actual SPI setup. In this paper, we demonstrate the use of deep learning on the reconstruction of SPI images in conjunction with block compressive sensing (BCS). We also proposed a novel reconstruction model based on convolutional neural networks that outperforms other competitive CS reconstruction algorithms. Besides, by incorporating BCS in our deep learning model, we were able to reconstruct images of any size above a certain smallest image size. In addition, we show that our model is capable of reconstructing images obtained from an SPI setup while being priorly trained on natural images, which can be vastly different from the SPI images. This opens up opportunity for the feasibility of pretrained deep learning models for CS reconstructions of images from various domain areas.
• Abstract（参考訳）: シングルピクセルイメージング(SPI)は、圧縮センシング(CS)理論に基づく新しいイメージング技術である。 SPIでは、一連の圧縮測定によってデータを取得し、対応する画像を再構成する。 通常、基底追跡のような再構成アルゴリズムは画像の空間性仮定に依存する。 しかし、近年の深層学習の進歩により、cs画像の再構成に利用されていることが判明している。 シミュレーションにおいて有望な結果を示すにもかかわらず、そのようなアルゴリズムが実際のSPI設定でどのように実装できるかはよく分かっていない。 本稿では,ブロック圧縮センシング(BCS)とともに,SPI画像の再構成におけるディープラーニングの利用を実証する。 また、他の競合CS再構成アルゴリズムよりも優れた畳み込みニューラルネットワークに基づく新しい再構成モデルを提案する。 さらに,BCSをディープラーニングモデルに組み込むことで,最小画像サイズ以上の任意のサイズの画像を再構成することができた。 また,本モデルでは,SPI画像とは大きく異なる自然画像に基づいて事前訓練を行いながら,SPI設定から得られた画像を再構成可能であることを示す。 これにより、様々な領域の画像のCS再構成のための事前訓練されたディープラーニングモデルの実現が可能となる。

関連論文リスト

• Dual-Scale Transformer for Large-Scale Single-Pixel Imaging [11.064806978728457]
  本研究では,HATNet と呼ばれる Kronecker SPI モデル上でのハイブリッドアテンショントランスフォーマを用いた深部展開ネットワークを提案し,実際の SPI カメラの画質向上を図る。 勾配降下モジュールはベクトル化されたSPIに基づいて、以前の勾配降下モジュールに根付いた高い計算オーバーヘッドを回避することができる。 このデノナイジングモジュールは,高周波・低周波アグリゲーションのための2次元空間アグリゲーションと,グローバル情報再構成のためのチャネルアグリゲーションを利用したエンコーダデコーダアーキテクチャである。
  論文  参考訳（メタデータ） (2024-04-07T15:53:21Z)
• Uformer-ICS: A U-Shaped Transformer for Image Compressive Sensing Service [43.23436916495013]
  画像CSタスクのための新しいU字型トランスとしてUformer-ICSを提案する。 推定ブロック間隔に基づいて測定資源を割り当てる適応型サンプリングアーキテクチャを設計する。 本モデルでは,画像の局所的特徴と長距離依存性を同時に利用することができる。
  論文  参考訳（メタデータ） (2022-09-05T04:52:12Z)
• 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-learned orthogonal basis patterns for fast, noise-robust single-pixel imaging [0.0]
  SPI(Single-Pixel Imaging)は、従来のカメラの概念を超越した、斬新な方法である。 深層学習は、SPI再構成問題を解決する代替手法として提案されている。 最大6.25%の圧縮比を持つ64x64画素画像に対して,SPIのための改良されたディープ畳み込みオートエンコーダネットワーク(DCAN)を提案する。
  論文  参考訳（メタデータ） (2022-05-18T06:12:33Z)
• Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
  画像再構成に有効な先行画像として, 奥行き画像が導入された。 その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。 計算課題に対処する2段階の学習パラダイムを開発する。
  論文  参考訳（メタデータ） (2021-11-23T15:08:26Z)
• SPI-GAN: Towards Single-Pixel Imaging through Generative Adversarial Network [6.722629246312285]
  本稿では,SPI-GANと呼ばれる一画素イメージングのための生成的対向的ネットワークベース再構成フレームワークを提案する。 サンプリング比が5%に低下しても、17.92dBのPSNRと0.487のSSIMで画像を再構成することができる。
  論文  参考訳（メタデータ） (2021-07-03T03:06:09Z)
• Adaptive Gradient Balancing for UndersampledMRI Reconstruction and Image-to-Image Translation [60.663499381212425]
  本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。 MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
  論文  参考訳（メタデータ） (2021-04-05T13:05:22Z)
• Deep Gaussian Scale Mixture Prior for Spectral Compressive Imaging [48.34565372026196]
  本稿では,ポストリア(MAP)推定フレームワークに基づく新しいHSI再構成手法を提案する。 また,深層畳み込みニューラルネットワーク(DCNN)によるGSMモデルの局所平均の推定も提案する。
  論文  参考訳（メタデータ） (2021-03-12T08:57:06Z)
• 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)
• Neural Sparse Representation for Image Restoration [116.72107034624344]
  スパース符号化に基づく画像復元モデルの堅牢性と効率に触発され,深部ネットワークにおけるニューロンの空間性について検討した。 本手法は,隠れたニューロンに対する空間的制約を構造的に強制する。 実験により、複数の画像復元タスクのためのディープニューラルネットワークではスパース表現が不可欠であることが示されている。
  論文  参考訳（メタデータ） (2020-06-08T05:15:17Z)

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。