論文の概要: Practical Compact Deep Compressed Sensing

• arxiv url: http://arxiv.org/abs/2411.13081v1
• Date: Wed, 20 Nov 2024 07:17:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-21 16:09:56.252322
• Title: Practical Compact Deep Compressed Sensing
• Title（参考訳）: 小型深部圧縮センシング
• Authors: Bin Chen, Jian Zhang,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 9.747987976900085
• License:
• Abstract: Recent years have witnessed the success of deep networks in compressed sensing (CS), which allows for a significant reduction in sampling cost and has gained growing attention since its inception. In this paper, we propose a new practical and compact network dubbed PCNet for general image CS. Specifically, in PCNet, a novel collaborative sampling operator is designed, which consists of a deep conditional filtering step and a dual-branch fast sampling step. The former learns an implicit representation of a linear transformation matrix into a few convolutions and first performs adaptive local filtering on the input image, while the latter then uses a discrete cosine transform and a scrambled block-diagonal Gaussian matrix to generate under-sampled measurements. Our PCNet is equipped with an enhanced proximal gradient descent algorithm-unrolled network for reconstruction. It offers flexibility, interpretability, and strong recovery performance for arbitrary sampling rates once trained. Additionally, we provide a deployment-oriented extraction scheme for single-pixel CS imaging systems, which allows for the convenient conversion of any linear sampling operator to its matrix form to be loaded onto hardware like digital micro-mirror devices. Extensive experiments on natural image CS, quantized CS, and self-supervised CS demonstrate the superior reconstruction accuracy and generalization ability of PCNet compared to existing state-of-the-art methods, particularly for high-resolution images. Code is available at https://github.com/Guaishou74851/PCNet.
• Abstract（参考訳）: 近年、サンプリングコストの大幅な削減を可能にした圧縮センシング(CS)におけるディープネットワークの成功を目の当たりにしており、当初から注目が集まっている。 本稿では,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。 具体的には、PCNetにおいて、深層条件付き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を設計する。 前者は線形変換行列をいくつかの畳み込みに暗黙的に表現し、最初は入力画像上で適応的な局所フィルタリングを行い、後者は離散コサイン変換とスクランブルブロック対角ガウス行列を用いてアンダーサンプリングされた測定を生成する。 我々のPCNetは、再構成のための改良された近位勾配勾配アルゴリズム付きネットワークを備えている。 任意のサンプリングレートでトレーニングされた場合、柔軟性、解釈可能性、強力なリカバリ性能を提供する。 さらに,デジタルマイクロミラーデバイスなどのハードウェアにロードされるような,任意の線形サンプリング演算子を行列形式に変換することが可能な,単一画素CSイメージングシステムのための展開指向抽出方式を提案する。 自然画像CS,量子化CS,自己教師型CSの広範な実験により,PCNetの再現精度と一般化能力は,特に高解像度画像において,既存の最先端の手法と比較して優れていることが示された。 コードはhttps://github.com/Guaishou74851/PCNetで入手できる。

関連論文リスト

• Variable-size Symmetry-based Graph Fourier Transforms for image compression [65.7352685872625]
  可変サイズのグラフフーリエ変換を符号化フレームワークに導入する。 提案アルゴリズムは,ノード間の特定の対称接続を追加することにより,グリッド上の対称グラフを生成する。 実験により、SBGFTは、明示的な多重変換選択に統合された一次変換よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-11-24T13:00:44Z)
• Onboard deep lossless and near-lossless predictive coding of hyperspectral images with line-based attention [24.876399066519294]
  本稿では,LineRWKVと呼ばれるニューラルネットワークを設計する。 HySpecNet-11kデータセットとPRISMA画像による実験により、LineRWKVはCSDS-123.0-B-2より優れる最初のディープラーニング手法であることが示された。 また、7W組込みシステムでスループットを推定する。
  論文  参考訳（メタデータ） (2024-03-26T13:05:02Z)
• Deep Network for Image Compressed Sensing Coding Using Local Structural Sampling [37.10939114542612]
  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。
  論文  参考訳（メタデータ） (2024-02-29T12:43:28Z)
• MsDC-DEQ-Net: Deep Equilibrium Model (DEQ) with Multi-scale Dilated Convolution for Image Compressive Sensing (CS) [0.0]
  圧縮センシング(CS)は、従来のサンプリング法よりも少ない測定値を用いてスパース信号の回復を可能にする技術である。 我々はCSを用いた自然画像再構成のための解釈可能かつ簡潔なニューラルネットワークモデルを構築した。 MsDC-DEQ-Netと呼ばれるこのモデルは、最先端のネットワークベースの手法と比較して、競争力のある性能を示す。
  論文  参考訳（メタデータ） (2024-01-05T16:25:58Z)
• AICT: An Adaptive Image Compression Transformer [18.05997169440533]
  我々は、より単純で効果的なTranformerベースのチャネルワイド自動回帰事前モデルを提案し、絶対画像圧縮変換器(ICT)を実現する。 提案したICTは、潜在表現からグローバルとローカルの両方のコンテキストをキャプチャできる。 我々は、サンドイッチのConvNeXtベースのプリ/ポストプロセッサで学習可能なスケーリングモジュールを活用し、よりコンパクトな潜在表現を正確に抽出する。
  論文  参考訳（メタデータ） (2023-07-12T11:32:02Z)
• One-Dimensional Deep Image Prior for Curve Fitting of S-Parameters from Electromagnetic Solvers [57.441926088870325]
  Deep Image Prior(ディープ・イメージ・プライオリ、ディープ・イメージ・プライオリ、DIP)は、ランダムなd畳み込みニューラルネットワークの重みを最適化し、ノイズや過度な測定値からの信号に適合させる技術である。 本稿では,Vector Fitting (VF) の実装に対して,ほぼすべてのテスト例において優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-06T20:28:37Z)
• 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)
• 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)
• A new perspective on probabilistic image modeling [92.89846887298852]
  本稿では,密度推定,サンプリング,トラクタブル推論が可能な画像モデリングのための新しい確率論的手法を提案する。 DCGMMは、CNNのように、ランダムな初期条件からSGDによってエンドツーエンドに訓練することができる。 本研究は,近年のPCおよびSPNモデルと,推論,分類,サンプリングの観点から比較した。
  論文  参考訳（メタデータ） (2022-03-21T14:53:57Z)
• Neural Data-Dependent Transform for Learned Image Compression [72.86505042102155]
  ニューラルデータに依存した変換を構築し,各画像の符号化効率を最適化する連続オンラインモード決定機構を導入する。 実験の結果,提案したニューラルシンタクス設計と連続オンラインモード決定機構の有効性が示された。
  論文  参考訳（メタデータ） (2022-03-09T14:56:48Z)
• 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)

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。