論文の概要: Deep Network for Image Compressed Sensing Coding Using Local Structural Sampling

• arxiv url: http://arxiv.org/abs/2402.19111v1
• Date: Thu, 29 Feb 2024 12:43:28 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-01 14:54:49.504169
• Title: Deep Network for Image Compressed Sensing Coding Using Local Structural Sampling
• Title（参考訳）: 局所構造サンプリングを用いた画像圧縮センシング符号化のためのディープネットワーク
• Authors: Wenxue Cui, Xingtao Wang, Xiaopeng Fan, Shaohui Liu, Xinwei Gao, Debin Zhao
• Abstract要約: 局所構造サンプリング(CSCNet)を用いた新しいCNNベースの画像CS符号化フレームワークを提案する。 提案するフレームワークでは、GRMの代わりに、新しい局所構造サンプリング行列が最初に開発された。 高相関の計測結果が生成され、サードパーティ画像によって最終ビットストリームに符号化される。
• 参考スコア（独自算出の注目度）: 37.10939114542612
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing image compressed sensing (CS) coding frameworks usually solve an inverse problem based on measurement coding and optimization-based image reconstruction, which still exist the following two challenges: 1) The widely used random sampling matrix, such as the Gaussian Random Matrix (GRM), usually leads to low measurement coding efficiency. 2) The optimization-based reconstruction methods generally maintain a much higher computational complexity. In this paper, we propose a new CNN based image CS coding framework using local structural sampling (dubbed CSCNet) that includes three functional modules: local structural sampling, measurement coding and Laplacian pyramid reconstruction. In the proposed framework, instead of GRM, a new local structural sampling matrix is first developed, which is able to enhance the correlation between the measurements through a local perceptual sampling strategy. Besides, the designed local structural sampling matrix can be jointly optimized with the other functional modules during training process. After sampling, the measurements with high correlations are produced, which are then coded into final bitstreams by the third-party image codec. At last, a Laplacian pyramid reconstruction network is proposed to efficiently recover the target image from the measurement domain to the image domain. Extensive experimental results demonstrate that the proposed scheme outperforms the existing state-of-the-art CS coding methods, while maintaining fast computational speed.
• Abstract（参考訳）: 既存の画像圧縮センシング(CS)符号化フレームワークは、通常、計測符号化と最適化に基づく画像再構成に基づく逆問題を解決する。 1) ガウスランダム行列(GRM)のような広く使われているランダムサンプリング行列は、通常、低い測定符号効率をもたらす。 2) 最適化に基づく再構成手法は, 計算量が非常に高い。 本稿では,局所構造サンプリング(dubbed cscnet)を用いた,局所構造サンプリング,計測符号化,ラプラシアピラミッド再構成という3つの機能モジュールを含む,cnnベースの画像cs符号化フレームワークを提案する。 提案するフレームワークでは, GRMの代わりに, 局所的な構造的サンプリング行列が最初に開発され, 局所的な知覚的サンプリング戦略により, 測定値間の相関性を高めることができる。 さらに、設計した局所構造サンプリングマトリックスは、トレーニングプロセス中に他の機能モジュールと共同で最適化することができる。 サンプリング後、高い相関の計測結果が生成され、サードパーティ画像コーデックによって最終ビットストリームに符号化される。 最終的に、計測領域から画像領域への目標画像を効率的に回収するラプラシアピラミッド再構成網を提案する。 提案手法は,高速な計算速度を維持しつつ,既存のCS符号化手法よりも優れていることを示す。

関連論文リスト

• Practical Compact Deep Compressed Sensing [9.747987976900085]
  汎用画像CSのためのPCNetという,実用的でコンパクトなネットワークを提案する。 PCNetでは、ディープ条件フィルタリングステップとデュアルブランチ高速サンプリングステップからなる新しい協調サンプリング演算子が設計されている。 我々のPCNetは、再構成のための改良された勾配降下アルゴリズム付きネットワークを備えている。
  論文  参考訳（メタデータ） (2024-11-20T07:17:16Z)
• MB-RACS: Measurement-Bounds-based Rate-Adaptive Image Compressed Sensing Network [65.1004435124796]
  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。
  論文  参考訳（メタデータ） (2024-01-19T04:40:20Z)
• Image Reconstruction for Accelerated MR Scan with Faster Fourier Convolutional Neural Networks [87.87578529398019]
  部分走査は、磁気共鳴イメージング(MRI)データ取得を2次元および3次元の両方で加速する一般的な手法である。 本稿では,Faster Fourier Convolution (FasterFC) と呼ばれる新しい畳み込み演算子を提案する。 2次元加速MRI法であるFasterFC-End-to-End-VarNetは、FasterFCを用いて感度マップと再構成品質を改善する。 k空間領域再構成を誘導する単一グループアルゴリズムを用いたFasterFC-based Single-to-group Network (FAS-Net) と呼ばれる3次元加速MRI法
  論文  参考訳（メタデータ） (2023-06-05T13:53:57Z)
• JSRNN: Joint Sampling and Reconstruction Neural Networks for High Quality Image Compressed Sensing [8.902545322578925]
  提案フレームワークには,サンプリングサブネットワークと再構築サブネットワークという2つのサブネットワークが含まれている。 再構成サブネットワークでは、スタックド・デノイング・オートエンコーダ(SDA)と畳み込みニューラルネットワーク(CNN)を組み合わせたカスケードネットワークが信号の再構成のために設計されている。 このフレームワークは、特にサンプリングレートの低い他の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2022-11-11T02:20:30Z)
• Pushing the Efficiency Limit Using Structured Sparse Convolutions [82.31130122200578]
  本稿では,画像の固有構造を利用して畳み込みフィルタのパラメータを削減する構造的スパース畳み込み(SSC)を提案する。 我々は、SSCが効率的なアーキテクチャにおける一般的なレイヤ(奥行き、グループ回り、ポイント回りの畳み込み)の一般化であることを示す。 SSCに基づくアーキテクチャは、CIFAR-10、CIFAR-100、Tiny-ImageNet、ImageNet分類ベンチマークのベースラインと比較して、最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2022-10-23T18:37:22Z)
• Content-aware Scalable Deep Compressed Sensing [8.865549833627794]
  本稿では、画像圧縮センシング問題に対処するため、CASNetと呼ばれる新しいコンテンツ対応スケーラブルネットワークを提案する。 まず,各画像領域の重要度を評価するためにデータ駆動型サリエンシ検出器を採用し,サンプリングレートアロケーションのためのサリエンシベースのブロック比アグリゲーション(BRA)戦略を提案する。 トレーニングの収束を加速し、ネットワークの堅牢性を向上させるために、SVDベースのスキームとランダム変換強化(RTE)戦略を提案する。
  論文  参考訳（メタデータ） (2022-07-19T14:59:14Z)
• Residual Multiplicative Filter Networks for Multiscale Reconstruction [24.962697695403037]
  我々は,学習した再構成の周波数サポートをきめ細かな制御で粗大な最適化を可能にする,新しい座標ネットワークアーキテクチャとトレーニング手法を提案する。 これらの修正によって、自然画像への粗大なフィッティングのマルチスケール最適化が実現されることを示す。 次に, 単粒子Creo-EM再構成問題に対する合成データセットのモデル評価を行った。
  論文  参考訳（メタデータ） (2022-06-01T20:16:28Z)
• Spectral Compressive Imaging Reconstruction Using Convolution and Contextual Transformer [6.929652454131988]
  本稿では,CCoT(Contextual Transformer)ブロックというハイブリッドネットワークモジュールを提案する。 提案したCCoTブロックを,一般化された交互投影アルゴリズムに基づく深層展開フレームワークに統合し,さらにGAP-CTネットワークを提案する。
  論文  参考訳（メタデータ） (2022-01-15T06:30:03Z)
• CSformer: Bridging Convolution and Transformer for Compressive Sensing [65.22377493627687]
  本稿では,CNNからの詳細な空間情報を活用するためのハイブリッドフレームワークと,表現学習の強化を目的としたトランスフォーマーが提供するグローバルコンテキストを統合することを提案する。 提案手法は、適応的なサンプリングとリカバリからなるエンドツーエンドの圧縮画像センシング手法である。 実験により, 圧縮センシングにおける専用トランスアーキテクチャの有効性が示された。
  論文  参考訳（メタデータ） (2021-12-31T04:37:11Z)
• Kullback-Leibler Divergence-Based Fuzzy $C$-Means Clustering Incorporating Morphological Reconstruction and Wavelet Frames for Image Segmentation [152.609322951917]
  そこで我々は,厳密なウェーブレットフレーム変換と形態的再構成操作を組み込むことで,Kulback-Leibler (KL) 発散に基づくFuzzy C-Means (FCM) アルゴリズムを考案した。 提案アルゴリズムはよく機能し、他の比較アルゴリズムよりもセグメンテーション性能が優れている。
  論文  参考訳（メタデータ） (2020-02-21T05:19:10Z)

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。