論文の概要: Physics-guided Deep Unfolding Network for Enhanced Kronecker Compressive sensing
- arxiv url: http://arxiv.org/abs/2508.09528v1
- Date: Wed, 13 Aug 2025 06:21:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-14 20:42:00.780923
- Title: Physics-guided Deep Unfolding Network for Enhanced Kronecker Compressive sensing
- Title（参考訳）: 強化クロネッカー圧縮センシングのための物理誘導深部展開ネットワーク
- Authors: Gang Qu, Ping Wang, Siming Zheng, Xin Yuan,
- Abstract要約: 我々は,新しい非対称Kronecker CS(AKCS)モデルを提案し,理論上は以前のKronecker CSよりも優れた非コヒーレンスを示す。
暗黙的な計測表現を学習するためのMACA機構を提案する。
我々は、AKCSとMACAを広く使われている展開アーキテクチャに統合し、計測強化展開ネットワーク(MEUNet)を得る。
- 参考スコア（独自算出の注目度）: 11.25359414391975
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep networks have achieved remarkable success in image compressed sensing (CS) task, namely reconstructing a high-fidelity image from its compressed measurement. However, existing works are deficient inincoherent compressed measurement at sensing phase and implicit measurement representations at reconstruction phase, limiting the overall performance. In this work, we answer two questions: 1) how to improve the measurement incoherence for decreasing the ill-posedness; 2) how to learn informative representations from measurements. To this end, we propose a novel asymmetric Kronecker CS (AKCS) model and theoretically present its better incoherence than previous Kronecker CS with minimal complexity increase. Moreover, we reveal that the unfolding networks' superiority over non-unfolding ones result from sufficient gradient descents, called explicit measurement representations. We propose a measurement-aware cross attention (MACA) mechanism to learn implicit measurement representations. We integrate AKCS and MACA into widely-used unfolding architecture to get a measurement-enhanced unfolding network (MEUNet). Extensive experiences demonstrate that our MEUNet achieves state-of-the-art performance in reconstruction accuracy and inference speed.
- Abstract（参考訳）: 深層ネットワークは画像圧縮センシング(CS)タスクにおいて顕著な成功を収めた。
しかし, 既往の研究は, センサフェーズにおける非コヒーレント圧縮計測と再構成フェーズにおける暗黙的な計測表現に欠けており, 全体的な性能が制限されている。
本研究では,2つの質問に答える。
1) 不備の低減のための測定不整合性の改善方法
2)測定値から情報表現を学習する方法。
そこで本研究では,新しい非対称Kronecker CS(AKCS)モデルを提案する。
さらに,非展開ネットワークに対する展開ネットワークの優越性は,明示的な測定表現と呼ばれる十分な勾配降下の結果であることを明らかにした。
暗黙的な計測表現を学習するためのMACA機構を提案する。
我々は、AKCSとMACAを広く使われている展開アーキテクチャに統合し、計測強化展開ネットワーク(MEUNet)を得る。
我々のMEUNetは、再現精度と推論速度において最先端のパフォーマンスを達成することを実証している。
関連論文リスト
- Neural Network for Blind Unmixing: a novel MatrixConv Unmixing (MCU) Approach [13.857076242271669]
ハイパースペクトル画像(HSI)アンミックスは難しい研究課題である。
本稿では, マトリックスコンバウンド・アンミキシング (MCU) 手法を提案する。
提案手法は, 合成データと実データの両方で有効性をテストする。
論文 参考訳（メタデータ） (2025-03-11T09:41:57Z) - Rank-Enhanced Low-Dimensional Convolution Set for Hyperspectral Image
Denoising [50.039949798156826]
本稿では,ハイパースペクトル(HS)画像の難解化問題に対処する。
ランク付き低次元畳み込み集合(Re-ConvSet)を提案する。
次に、Re-ConvSetを広く使われているU-Netアーキテクチャに組み込んで、HS画像復号法を構築する。
論文 参考訳（メタデータ） (2022-07-09T13:35:12Z) - Global Sensing and Measurements Reuse for Image Compressed Sensing [0.0]
ディープネットワークに基づく画像圧縮センシング法は,従来の方法に比べて高い再構成品質と計算オーバーヘッドの低減を実現した。
本稿では,GSM(Global Sensing Module)を用いたMR-CCSNet(Messages Reuse Convolutional Compressed Sensing Network)を提案する。
論文 参考訳（メタデータ） (2022-06-23T11:36:55Z) - DeepRM: Deep Recurrent Matching for 6D Pose Refinement [77.34726150561087]
DeepRMは、6Dポーズ改善のための新しいリカレントネットワークアーキテクチャである。
アーキテクチャにはLSTMユニットが組み込まれ、各改善ステップを通じて情報を伝達する。
DeepRMは、2つの広く受け入れられている課題データセットで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2022-05-28T16:18:08Z) - Unsupervised Scale-consistent Depth Learning from Video [131.3074342883371]
本研究では,単眼深度推定器SC-Depthを提案する。
スケール一貫性予測の能力により,我々の単分子学習深層ネットワークは簡単にORB-SLAM2システムに統合可能であることを示す。
提案したハイブリッドPseudo-RGBD SLAMは、KITTIにおいて魅力的な結果を示し、追加のトレーニングなしでKAISTデータセットにうまく一般化する。
論文 参考訳（メタデータ） (2021-05-25T02:17:56Z) - Robustness to Pruning Predicts Generalization in Deep Neural Networks [29.660568281957072]
トレーニングの損失に悪影響を与えることなく、pruning中に維持できるネットワークのパラメータの最小の屈折であるprunabilityを紹介します。
この測定は、CIFAR-10で訓練された大規模な畳み込みネットワーク全体のモデル一般化性能を非常に予測できることを示した。
論文 参考訳（メタデータ） (2021-03-10T11:39:14Z) - CodeVIO: Visual-Inertial Odometry with Learned Optimizable Dense Depth [83.77839773394106]
本稿では,軽量で密結合の深い深度ネットワークと視覚慣性オドメトリーシステムを提案する。
我々は、初期深度予測の精度を高めるために、以前にVIOから切り離されたスパース特徴を持つネットワークを提供する。
本稿では,ネットワークとコードヤコビアンでのみGPUアクセラレーションを活用しながら,シングルスレッド実行でリアルタイムに動作可能であることを示す。
論文 参考訳（メタデータ） (2020-12-18T09:42:54Z) - Learning Deep Interleaved Networks with Asymmetric Co-Attention for
Image Restoration [65.11022516031463]
本稿では,高品質(本社)画像再構成のために,異なる状態の情報をどのように組み合わせるべきかを学習するディープインターリーブドネットワーク(DIN)を提案する。
本稿では,各インターリーブノードにアタッチメントされた非対称なコアテンション(AsyCA)を提案し,その特性依存性をモデル化する。
提案したDINはエンドツーエンドで訓練でき、様々な画像復元タスクに適用できる。
論文 参考訳（メタデータ） (2020-10-29T15:32:00Z) - Improving Robustness of Deep-Learning-Based Image Reconstruction [24.882806652224854]
逆問題解法では, 測定空間における敵の効果を分析し, 研究する必要がある。
本稿では,高機能な画像再構成ネットワークを構築するために,min-maxの定式化に使用される逆例を生成する補助ネットワークを提案する。
提案したmin-max学習方式を用いた線形ネットワークは,実際に同じ解に収束する。
論文 参考訳（メタデータ） (2020-02-26T22:12:36Z) - ReluDiff: Differential Verification of Deep Neural Networks [8.601847909798165]
我々は2つの密接に関連するネットワークの差分検証法を開発した。
我々は2つのネットワークの構造的および行動的類似性を利用して、2つのネットワークの出力ニューロン間の差異をより正確に拘束する。
実験の結果,最先端の検証ツールと比較して,精度向上が可能であることがわかった。
論文 参考訳（メタデータ） (2020-01-10T20:47:22Z)
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。