論文の概要: Fast Hierarchical Deep Unfolding Network for Image Compressed Sensing
- arxiv url: http://arxiv.org/abs/2208.01827v1
- Date: Wed, 3 Aug 2022 03:27:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-04 14:13:13.394430
- Title: Fast Hierarchical Deep Unfolding Network for Image Compressed Sensing
- Title(参考訳): 画像圧縮センシングのための高速階層型ディープ展開ネットワーク
- Authors: Wenxue Cui, Shaohui Liu, Debin Zhao
- Abstract要約: 画像圧縮センシングのための高速階層型深部展開ネットワーク(DUN)を提案する。
提案したFHDUNは、より少ないイテレーションを維持しながら、既存の最先端のCSメソッドより優れている。
- 参考スコア(独自算出の注目度): 31.71861820004099
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: By integrating certain optimization solvers with deep neural network, deep
unfolding network (DUN) has attracted much attention in recent years for image
compressed sensing (CS). However, there still exist several issues in existing
DUNs: 1) For each iteration, a simple stacked convolutional network is usually
adopted, which apparently limits the expressiveness of these models. 2) Once
the training is completed, most hyperparameters of existing DUNs are fixed for
any input content, which significantly weakens their adaptability. In this
paper, by unfolding the Fast Iterative Shrinkage-Thresholding Algorithm
(FISTA), a novel fast hierarchical DUN, dubbed FHDUN, is proposed for image
compressed sensing, in which a well-designed hierarchical unfolding
architecture is developed to cooperatively explore richer contextual prior
information in multi-scale spaces. To further enhance the adaptability, series
of hyperparametric generation networks are developed in our framework to
dynamically produce the corresponding optimal hyperparameters according to the
input content. Furthermore, due to the accelerated policy in FISTA, the newly
embedded acceleration module makes the proposed FHDUN save more than 50% of the
iterative loops against recent DUNs. Extensive CS experiments manifest that the
proposed FHDUN outperforms existing state-of-the-art CS methods, while
maintaining fewer iterations.
- Abstract(参考訳): 特定の最適化解法をディープニューラルネットワークに統合することにより、近年、画像圧縮センシング(CS)において、ディープ・アンフォールディング・ネットワーク(DUN)が注目されている。
しかし、既存のDUNにはいくつかの問題がある。
1)各イテレーションで、単純な積み重ね畳み畳み込みネットワークが採用され、これらのモデルの表現性が制限される。
2)訓練が完了すると,既存のDUNのハイパーパラメータは入力内容に対して固定され,適応性が著しく低下する。
本稿では,fhdunと呼ばれる新しい高速階層ダンクを画像圧縮センシングに応用し,複数スケール空間におけるよりリッチな事前情報を協調的に探索するために,高度に設計された階層的展開アーキテクチャを開発した。
適応性をさらに高めるために、入力内容に応じて対応する最適ハイパーパラメータを動的に生成する一連のハイパーパラメトリック生成ネットワークを開発した。
さらに、FISTAの高速化政策により、新たに組み込まれた加速モジュールにより、提案されたFHDUNは最近のDUNに対する反復ループの50%以上を節約できる。
大規模なCS実験は、提案されたFHDUNが既存のCS手法より優れており、イテレーションは少ないことを示している。
関連論文リスト
- Binarized Diffusion Model for Image Super-Resolution [61.963833405167875]
超圧縮アルゴリズムであるバイナリ化は、高度な拡散モデル(DM)を効果的に加速する可能性を提供する
既存の二項化法では性能が著しく低下する。
画像SRのための新しいバイナライズ拡散モデルBI-DiffSRを提案する。
論文 参考訳(メタデータ) (2024-06-09T10:30:25Z) - Deep Unfolding Network for Image Compressed Sensing by Content-adaptive
Gradient Updating and Deformation-invariant Non-local Modeling [35.17811080742471]
深部展開ネットワーク(DUN)は近年,画像圧縮センシング(CS)において注目されている。
本稿では,画像圧縮センシング(DUN-CSNet)のための新しいDUNを提案する。
第1号では、よく設計されたステップサイズ生成サブネットワークを開発するために、新しいコンテンツ適応勾配勾配ネットワークを提案する。
第2の課題は、画像中に類似したパッチが多数存在するが変形するという事実を考慮して、新しい変形不変な非局所近位写像網を開発することである。
論文 参考訳(メタデータ) (2023-10-16T03:30:35Z) - Dynamic Path-Controllable Deep Unfolding Network for Compressive Sensing [12.970790539633871]
圧縮センシング再構成のための動的経路制御型深部展開ネットワーク(DPC-DUN)を提案する。
我々のDPC-DUNは非常に柔軟であり、適切なトレードオフを得るために優れた性能と動的調整を提供できる。
論文 参考訳(メタデータ) (2023-06-28T09:49:15Z) - HKNAS: Classification of Hyperspectral Imagery Based on Hyper Kernel
Neural Architecture Search [104.45426861115972]
設計したハイパーカーネルを利用して,構造パラメータを直接生成することを提案する。
我々は1次元または3次元の畳み込みを伴う画素レベルの分類と画像レベルの分類を別々に行う3種類のネットワークを得る。
6つの公開データセットに関する一連の実験は、提案手法が最先端の結果を得ることを示した。
論文 参考訳(メタデータ) (2023-04-23T17:27:40Z) - 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) - Robust Deep Compressive Sensing with Recurrent-Residual Structural
Constraints [0.0]
既存のディープラーニング(CS)手法は、適応的なオンライン最適化を無視するか、コストのかかる反復的な再構築に依存している。
この研究は、R$2$CS-NETと呼ばれる再帰的構造制約を持つ新しいイメージCSフレームワークを探索する。
適応型オンライン最適化を効率的にブリッジする最初のディープCSフレームワークとして、R$2$CS-NETは、オンライン最適化の堅牢性とディープラーニング手法の効率性と非線形能力を統合する。
論文 参考訳(メタデータ) (2022-07-15T05:56:13Z) - HerosNet: Hyperspectral Explicable Reconstruction and Optimal Sampling
Deep Network for Snapshot Compressive Imaging [41.91463343106411]
ハイパースペクトルイメージングは、特にリモートセンシング、農業、医学において、幅広い用途に欠かせない画像モダリティである。
低予算のスナップショット測定からハイパスペクトル画像(HSI)を再構築する、遅い、高価、またはかさばる既存のハイパースペクトルカメラにインスパイアされたことが注目されている。
スペクトルスナップショットセンシング(SCI)のための最近のディープ・アンフォールディング・ネットワーク(DUN)は、目覚ましい成功を収めている。
本稿では、ISTAアンフォールディングフレームワークの下で複数のフェーズを含むHerosNetと呼ばれる、SCIのためのハイパースペクトル拡張型再構成と最適サンプリングディープネットワークを提案する。
論文 参考訳(メタデータ) (2021-12-12T13:42:49Z) - CondenseNet V2: Sparse Feature Reactivation for Deep Networks [87.38447745642479]
高密度接続によるディープネットワークの機能再利用は、高い計算効率を達成する効果的な方法である。
スパース機能再活性化(SFR)と呼ばれる代替アプローチを提案し、再利用機能の有用性を積極的に高めることを目指しています。
提案手法は画像分類(ImageNet, CIFAR)とオブジェクト検出(MSCOCO)において,理論的効率と実用的速度の両面で有望な性能を達成できることを示す。
論文 参考訳(メタデータ) (2021-04-09T14:12:43Z) - Faster Convergence in Deep-Predictive-Coding Networks to Learn Deeper
Representations [12.716429755564821]
DPCN(Deep-Predictive-Coding Network)は、フィードフォワードとフィードバック接続に依存する階層的な生成モデルである。
DPCNの重要な要素は、動的モデルのスパース状態を明らかにする前向きの推論手順である。
我々は,加速近位勾配に基づく実験的および理論的収束性の向上した最適化戦略を提案する。
論文 参考訳(メタデータ) (2021-01-18T02:30:13Z) - A Deep-Unfolded Reference-Based RPCA Network For Video
Foreground-Background Separation [86.35434065681925]
本稿では,ロバスト主成分分析(RPCA)問題に対するディープアンフォールディングに基づくネットワーク設計を提案する。
既存の設計とは異なり,本手法は連続するビデオフレームのスパース表現間の時間的相関をモデル化することに焦点を当てている。
移動MNISTデータセットを用いた実験により、提案したネットワークは、ビデオフォアグラウンドとバックグラウンドの分離作業において、最近提案された最先端のRPCAネットワークより優れていることが示された。
論文 参考訳(メタデータ) (2020-10-02T11:40:09Z) - A Generic Network Compression Framework for Sequential Recommender
Systems [71.81962915192022]
シークエンシャルレコメンデーションシステム(SRS)は,ユーザの動的関心を捉え,高品質なレコメンデーションを生成する上で重要な技術となっている。
CpRecと呼ばれる圧縮されたシーケンシャルレコメンデーションフレームワークを提案する。
大規模なアブレーション研究により、提案したCpRecは実世界のSRSデータセットにおいて最大4$sim$8倍の圧縮速度を達成できることを示した。
論文 参考訳(メタデータ) (2020-04-21T08:40:55Z)
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。