論文の概要: MTS-CSNet: Multiscale Tensor Factorization for Deep Compressive Sensing on RGB Images

• arxiv url: http://arxiv.org/abs/2602.07056v1
• Date: Wed, 04 Feb 2026 20:38:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.407655
• Title: MTS-CSNet: Multiscale Tensor Factorization for Deep Compressive Sensing on RGB Images
• Title（参考訳）: MTS-CSNet:RGB画像の深部圧縮センシングのためのマルチスケールテンソル因子化
• Authors: Mehmet Yamac, Lei Xu, Serkan Kiranyaz, Moncef Gabbouj,
• Abstract要約: MTSCSNetは,Multiscale Summation (MTS) の分解に基づくCSフレームワークである。 MTSCSNetは,最近の拡散型CS法と比較して,PSNRの顕著な向上と推論の高速化により,RGB画像における最先端の再構成性能を実現していることを示す。
• 参考スコア（独自算出の注目度）: 23.22647525585002
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Deep learning based compressive sensing (CS) methods typically learn sampling operators using convolutional or block wise fully connected layers, which limit receptive fields and scale poorly for high dimensional data. We propose MTSCSNet, a CS framework based on Multiscale Tensor Summation (MTS) factorization, a structured operator for efficient multidimensional signal processing. MTS performs mode-wise linear transformations with multiscale summation, enabling large receptive fields and effective modeling of cross-dimensional correlations. In MTSCSNet, MTS is first used as a learnable CS operator that performs linear dimensionality reduction in tensor space, with its adjoint defining the initial back-projection, and is then applied in the reconstruction stage to directly refine this estimate. This results in a simple feed-forward architecture without iterative or proximal optimization, while remaining parameter and computation efficient. Experiments on standard CS benchmarks show that MTSCSNet achieves state-of-the-art reconstruction performance on RGB images, with notable PSNR gains and faster inference, even compared to recent diffusion-based CS methods, while using a significantly more compact feed-forward architecture.
• Abstract（参考訳）: 深層学習に基づく圧縮センシング(CS)法は、通常、畳み込みまたはブロックが完全に連結された層を用いてサンプリング演算子を学習する。 効率的な多次元信号処理のための構造化演算子であるMultiscale Tensor Summation (MTS) の分解に基づくCSフレームワーク MTSCSNet を提案する。 MTSは、マルチスケールの和でモードワイド線形変換を行い、大きな受容場と二次元相関の効果的なモデリングを可能にする。 MTSCSNet において、MTS はテンソル空間において線形次元の還元を行う学習可能な CS 演算子として最初に用いられ、その随伴元が初期後方射影を定義し、その推定を直接洗練するために再構成段階で適用される。 これにより、パラメータと計算効率を保ちながら、反復的あるいは近位最適化を伴わない単純なフィードフォワードアーキテクチャが実現される。 標準CSベンチマークの実験では、TSCSNetは、よりコンパクトなフィードフォワードアーキテクチャを使用しながら、最近の拡散ベースのCS手法と比較しても、顕著なPSNRゲインと高速な推論により、RGB画像の最先端の再構成性能を達成している。

関連論文リスト

• Compressed BC-LISTA via Low-Rank Convolutional Decomposition [47.15001096567547]
  圧縮前方・後方演算子を用いたマルチチャネルイメージングのためのスパース信号回復法(SSR)について検討した。 本稿では,低ランク畳み込みネットワーク(CNN)分解に基づくCBC(Compressed Block-Convolutional)測定モデルを提案する。
  論文  参考訳（メタデータ） (2026-01-30T16:33:51Z)
• Cross-Scan Mamba with Masked Training for Robust Spectral Imaging [51.557804095896174]
  本研究では,空間スペクトルSSMを用いたクロススキャンマンバ(CS-Mamba)を提案する。 実験の結果, CS-Mambaは最先端の性能を達成し, マスク付きトレーニング手法によりスムーズな特徴を再構築し, 視覚的品質を向上させることができた。
  論文  参考訳（メタデータ） (2024-08-01T15:14:10Z)
• 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)
• NL-CS Net: Deep Learning with Non-Local Prior for Image Compressive Sensing [7.600617428107161]
  近年,画像の圧縮センシング(CS)にディープラーニングが応用されている。 本稿では,従来の最適化手法の解釈可能性と,NL-CS Netと呼ばれるネットワークベース手法の高速化を併用した,非局所的前処理を用いた新しいCS手法を提案する。
  論文  参考訳（メタデータ） (2023-05-06T02:34:28Z)
• 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)
• 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)
• Sequential Hierarchical Learning with Distribution Transformation for Image Super-Resolution [83.70890515772456]
  画像SRのための逐次階層学習型超解像ネットワーク(SHSR)を構築した。 特徴のスケール間相関を考察し、階層的情報を段階的に探索するシーケンシャルなマルチスケールブロック(SMB)を考案する。 実験結果から,SHSRは最先端手法に優れた定量的性能と視覚的品質が得られることが示された。
  論文  参考訳（メタデータ） (2020-07-19T01:35:53Z)

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。