論文の概要: MB-RACS: Measurement-Bounds-based Rate-Adaptive Image Compressed Sensing Network

• arxiv url: http://arxiv.org/abs/2402.16855v1
• Date: Fri, 19 Jan 2024 04:40:20 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-18 07:09:00.301665
• Title: MB-RACS: Measurement-Bounds-based Rate-Adaptive Image Compressed Sensing Network
• Title（参考訳）: MB-RACS:測定境界に基づくレート適応画像圧縮ネットワーク
• Authors: Yujun Huang, Bin Chen, Naiqi Li, Baoyi An, Shu-Tao Xia, Yaowei Wang,
• Abstract要約: 本稿では,MB-RACS(Message-Bounds-based Rate-Adaptive Image Compressed Sensing Network)フレームワークを提案する。 実験により,提案手法が現在の先行手法を超越していることが実証された。
• 参考スコア（独自算出の注目度）: 65.1004435124796
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conventional compressed sensing (CS) algorithms typically apply a uniform sampling rate to different image blocks. A more strategic approach could be to allocate the number of measurements adaptively, based on each image block's complexity. In this paper, we propose a Measurement-Bounds-based Rate-Adaptive Image Compressed Sensing Network (MB-RACS) framework, which aims to adaptively determine the sampling rate for each image block in accordance with traditional measurement bounds theory. Moreover, since in real-world scenarios statistical information about the original image cannot be directly obtained, we suggest a multi-stage rate-adaptive sampling strategy. This strategy sequentially adjusts the sampling ratio allocation based on the information gathered from previous samplings. We formulate the multi-stage rate-adaptive sampling as a convex optimization problem and address it using a combination of Newton's method and binary search techniques. Additionally, we enhance our decoding process by incorporating skip connections between successive iterations to facilitate a richer transmission of feature information across iterations. Our experiments demonstrate that the proposed MB-RACS method surpasses current leading methods, with experimental evidence also underscoring the effectiveness of each module within our proposed framework.
• Abstract（参考訳）: 従来の圧縮センシング(CS)アルゴリズムは、通常、異なる画像ブロックに対して一様サンプリングレートを適用する。 より戦略的アプローチは、各画像ブロックの複雑さに基づいて、測定回数を適応的に割り当てることである。 本稿では,従来の計測境界理論に従って,各画像ブロックのサンプリングレートを適応的に決定することを目的とした,計測バウンダリに基づく速度適応型画像圧縮センシングネットワーク(MB-RACS)フレームワークを提案する。 さらに、実世界のシナリオでは、元の画像に関する統計情報は直接取得できないため、多段階のレート適応サンプリング戦略を提案する。 この戦略は、前のサンプリングから収集した情報に基づいて、サンプリング比の割り当てを順次調整する。 凸最適化問題として多段レート適応サンプリングを定式化し,ニュートン法と二項探索法を組み合わせた手法を用いてこの問題に対処する。 さらに、連続するイテレーション間のスキップ接続を組み込んで、イテレーション間の機能情報のよりリッチな伝達を容易にすることで、デコーディングプロセスを強化します。 実験により,提案手法が従来の先行手法を超越したことを示すとともに,提案手法における各モジュールの有効性を実証した。

関連論文リスト

• Progressive Learning with Visual Prompt Tuning for Variable-Rate Image Compression [60.689646881479064]
  本稿では,変圧器を用いた可変レート画像圧縮のためのプログレッシブラーニングパラダイムを提案する。 視覚的プロンプトチューニングにインスパイアされた私たちは,エンコーダ側とデコーダ側でそれぞれ入力画像と隠蔽特徴のプロンプトを抽出するためにLPMを使用する。 提案モデルでは, 速度歪み特性の観点から現行の可変画像法よりも優れ, スクラッチから訓練した最先端の固定画像圧縮法にアプローチする。
  論文  参考訳（メタデータ） (2023-11-23T08:29:32Z)
• Beyond Learned Metadata-based Raw Image Reconstruction [86.1667769209103]
  生画像は、線形性や微細な量子化レベルなど、sRGB画像に対して明確な利点がある。 ストレージの要求が大きいため、一般ユーザからは広く採用されていない。 本稿では,メタデータとして,潜在空間におけるコンパクトな表現を学習する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-21T06:59:07Z)
• 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)
• ATASI-Net: An Efficient Sparse Reconstruction Network for Tomographic SAR Imaging with Adaptive Threshold [13.379416816598873]
  本稿では,解析的反復収縮しきい値決定アルゴリズム(ALISTA)に基づく,効率的なスパース展開ネットワークを提案する。 ATASI-Netの各層における重み行列は、オフライン最適化問題の解法として事前計算される。 さらに、各方位領域画素に対して適応しきい値を導入し、しきい値収縮を層蒸着だけでなく素子的にも可能とする。
  論文  参考訳（メタデータ） (2022-11-30T09:55:45Z)
• Cross-boosting of WNNM Image Denoising method by Directional Wavelet Packets [2.7648976108201815]
  本稿では、方向性準解析ウェーブレットパケット(qWP)と最先端の重み付き核ノルム最小化法(WNNM)を併用した画像復号方式を提案する。 提案手法では, 粗悪な画像においても, エッジや微細なテクスチャパターンをキャプチャするqWPdn機能を結合する。
  論文  参考訳（メタデータ） (2022-06-09T11:37:46Z)
• Toward Real-World Super-Resolution via Adaptive Downsampling Models [58.38683820192415]
  本研究では,制約のある事前知識を伴わずに未知のサンプル処理をシミュレートする手法を提案する。 対の例を使わずに対象LR画像の分布を模倣する汎用化可能な低周波損失(LFL)を提案する。
  論文  参考訳（メタデータ） (2021-09-08T06:00:32Z)
• End-to-End Sequential Sampling and Reconstruction for MR Imaging [37.29958197193658]
  本稿では,再建戦略と並行して逐次サンプリングポリシを学習するフレームワークを提案する。 提案手法は, 試験試料の96.96%において, 最新のk-空間サンプリングベースラインを上回っている。
  論文  参考訳（メタデータ） (2021-05-13T17:56:18Z)
• Permuted AdaIN: Reducing the Bias Towards Global Statistics in Image Classification [97.81205777897043]
  近年の研究では、畳み込みニューラルネットワーク分類器は形状を犠牲にしてテクスチャを過度に依存していることが示されている。 一方、形状と局所像の区別は類似しているが異なるが、一方、グローバル画像統計は異なる。 提案手法は,pAdaIN (Permuted Adaptive Instance Normalization) と呼ばれ,画像分類器の隠蔽層におけるグローバル統計の表現を減少させる。
  論文  参考訳（メタデータ） (2020-10-09T16:38:38Z)
• MuCAN: Multi-Correspondence Aggregation Network for Video Super-Resolution [63.02785017714131]
  ビデオ超解像(VSR)は、複数の低解像度フレームを使用して、各フレームに対して高解像度の予測を生成することを目的としている。 フレーム間およびフレーム内は、時間的および空間的情報を利用するための鍵となるソースである。 VSRのための効果的なマルチ対応アグリゲーションネットワーク(MuCAN)を構築した。
  論文  参考訳（メタデータ） (2020-07-23T05:41:27Z)

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。