論文の概要: Sampling Innovation-Based Adaptive Compressive Sensing

• arxiv url: http://arxiv.org/abs/2503.13241v1
• Date: Mon, 17 Mar 2025 14:54:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 12:28:59.739340
• Title: Sampling Innovation-Based Adaptive Compressive Sensing
• Title（参考訳）: イノベーションに基づく適応圧縮センシングのサンプリング
• Authors: Zhifu Tian, Tao Hu, Chaoyang Niu, Di Wu, Shu Wang,
• Abstract要約: シーン認識型適応圧縮センシング(ACS)は、シーン画像の効率的かつ高忠実な取得を可能にするため、大きな関心を集めている。 本稿では,課題の画像再構成領域へのサンプリングを効果的に識別し,割り当てするSampring Innovation-Based ACS (SIB-ACS) 手法を提案する。 SIB-ACS法は画像再構成の忠実度や視覚効果の点で最先端の手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 12.984866049391709
• License:
• Abstract: Scene-aware Adaptive Compressive Sensing (ACS) has attracted significant interest due to its promising capability for efficient and high-fidelity acquisition of scene images. ACS typically prescribes adaptive sampling allocation (ASA) based on previous samples in the absence of ground truth. However, when confronting unknown scenes, existing ACS methods often lack accurate judgment and robust feedback mechanisms for ASA, thus limiting the high-fidelity sensing of the scene. In this paper, we introduce a Sampling Innovation-Based ACS (SIB-ACS) method that can effectively identify and allocate sampling to challenging image reconstruction areas, culminating in high-fidelity image reconstruction. An innovation criterion is proposed to judge ASA by predicting the decrease in image reconstruction error attributable to sampling increments, thereby directing more samples towards regions where the reconstruction error diminishes significantly. A sampling innovation-guided multi-stage adaptive sampling (AS) framework is proposed, which iteratively refines the ASA through a multi-stage feedback process. For image reconstruction, we propose a Principal Component Compressed Domain Network (PCCD-Net), which efficiently and faithfully reconstructs images under AS scenarios. Extensive experiments demonstrate that the proposed SIB-ACS method significantly outperforms the state-of-the-art methods in terms of image reconstruction fidelity and visual effects. Codes are available at https://github.com/giant-pandada/SIB-ACS_CVPR2025.
• Abstract（参考訳）: シーン認識型適応圧縮センシング(ACS)は、シーン画像の効率的かつ高忠実な取得を可能にするため、大きな関心を集めている。 ACSは通常、基底真理が存在しない前のサンプルに基づいて、適応的なサンプリングアロケーション(ASA)を規定する。 しかし、未知のシーンに直面する場合、既存のACS手法はASAの正確な判断と堅牢なフィードバック機構を欠いていることが多く、それによってシーンの高忠実度センシングが制限される。 本稿では,高忠実度画像再構成の頂点となる,困難な画像再構成領域へのサンプリングを効果的に識別し,割り当てするSampring Innovation-based ACS(SIB-ACS)手法を提案する。 サンプル増分に起因する画像再構成誤差の減少を予測し,復調誤差が著しく減少する領域により多くのサンプルを向けることで,ASAを判断する革新的基準を提案する。 多段階フィードバックプロセスを通じてASAを反復的に洗練する,イノベーション誘導型多段階適応サンプリング(AS)フレームワークを提案する。 画像再構成のための主成分圧縮ドメインネットワーク(PCCD-Net)を提案する。 SIB-ACS法は画像再構成の忠実度や視覚効果の点で最先端の手法よりも優れていた。 コードはhttps://github.com/giant-pandada/SIB-ACS_CVPR2025で公開されている。

関連論文リスト

• EchoIR: Advancing Image Restoration with Echo Upsampling and Bi-Level Optimization [0.0]
  本稿では,このギャップを埋めるために,二つの学習可能なアップサンプリング機構を備えたUNetライクなイメージ復元ネットワークであるEchoIRを紹介する。 画像復元とアップサンプリングタスクの階層モデルの構築にあたり、近似二段階最適化(AS-BLO)を提案する。
  論文  参考訳（メタデータ） (2024-12-10T06:27:08Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• 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)
• Exploring Resolution and Degradation Clues as Self-supervised Signal for Low Quality Object Detection [77.3530907443279]
  劣化した低解像度画像中の物体を検出するための,新しい自己教師型フレームワークを提案する。 本手法は, 既存手法と比較して, 異変劣化状況に直面する場合に比べ, 優れた性能を示した。
  論文  参考訳（メタデータ） (2022-08-05T09:36:13Z)
• SAR Despeckling using a Denoising Diffusion Probabilistic Model [52.25981472415249]
  スペックルの存在は画像品質を劣化させ、SAR画像理解アプリケーションの性能に悪影響を及ぼす。 本稿では,SAR脱種のための拡散確率モデルであるSAR-DDPMを紹介する。 提案手法は, 最先端の切り離し法と比較して, 定量化と定性化の両面で有意な改善を実現している。
  論文  参考訳（メタデータ） (2022-06-09T14:00:26Z)
• Hierarchical Similarity Learning for Aliasing Suppression Image Super-Resolution [64.15915577164894]
  エイリアスの影響を抑制するために階層画像超解像ネットワーク(HSRNet)を提案する。 HSRNetは、他の作品よりも定量的かつ視覚的なパフォーマンスを向上し、エイリアスをより効果的に再送信する。
  論文  参考訳（メタデータ） (2022-06-07T14:55:32Z)
• Reliability-based Mesh-to-Grid Image Reconstruction [0.0]
  本稿では,メッシュと呼ばれる非整数位置にあるサンプルからの画像の再構成を行う新しい手法を提案する。 提案手法は、後に新しい信頼性ベースのコンテンツ適応フレームワークによって改善された初期推定値のセットに依存する。
  論文  参考訳（メタデータ） (2022-05-20T12:32:52Z)
• Adaptive and Cascaded Compressive Sensing [10.162966219929887]
  シーン依存型適応圧縮センシング(CS)は、CSの性能を大幅に向上させる大きな可能性を秘めている。 そこで本研究では,再構成誤差を直接予測可能な制限等尺特性(RIP)条件に基づく誤差クラッピングを提案する。 また,異なる適応サンプリング段階から得られた情報を効率的に活用できる機能融合再構成ネットワークを提案する。
  論文  参考訳（メタデータ） (2022-03-21T07:50:24Z)
• The Power of Triply Complementary Priors for Image Compressive Sensing [89.14144796591685]
  本稿では,一対の相補的な旅先を含むLRD画像モデルを提案する。 次に、画像CSのためのRDモデルに基づく新しいハイブリッド・プラグイン・アンド・プレイ・フレームワークを提案する。 そこで,提案したH-based image CS問題の解法として,単純で効果的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-05-16T08:17:44Z)
• Learning Sampling and Model-Based Signal Recovery for Compressed Sensing MRI [30.838990115880197]
  圧縮センシング(CS)MRIは、画像品質を損なうことなく、取得を加速するためにk空間の適切なアンサンプに依存する。 タスク適応型k空間サンプリングとそれに続くモデルベース近位回復ネットワークの併用学習を提案する。 高いフレキシブルサンプリングモデルとモデルベース(サンプル適応型)画像再構成ネットワークの組み合わせにより、探索と効率的なトレーニングが容易になり、MR画像の品質が向上した。
  論文  参考訳（メタデータ） (2020-04-22T12:50:03Z)

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。