論文の概要: Dual-Path Hyperprior Informed Deep Unfolding Network for Image Compressive Sensing

• arxiv url: http://arxiv.org/abs/2605.09566v1
• Date: Sun, 10 May 2026 14:28:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.313665
• Title: Dual-Path Hyperprior Informed Deep Unfolding Network for Image Compressive Sensing
• Title（参考訳）: Dual-Path Hyperprior Informed Deep Unfolding Network for Image Compressive Sensing
• Authors: Tianyi Lu, Wenxue Cui, Shaohui Liu,
• Abstract要約: 我々はDPH-DUN(Dual-Path Hyperprior Informed Deep Unfolding Network)を提案する。 測定を2つのサブセットに分割し、デュアルパスアーキテクチャによる高優先度の再構築を可能にする。 大規模な実験により、提案したDPH-DUNは既存の圧縮センシング法より優れていることが示された。
• 参考スコア（独自算出の注目度）: 20.76300063992605
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent Deep Unfolding Networks (DUNs) have significantly advanced Compressive Sensing (CS) by integrating iterative optimization with deep networks. However, existing DUNs still suffer from two challenges: 1) Reliance on a single measurement stream, which limits effective information interaction across distinct measurement subsets. 2) Uniform processing of all image regions, which overlooks varying reconstruction difficulties induced by diverse textures. To address these limitations, a novel Dual-Path Hyperprior Informed Deep Unfolding Network (DPH-DUN) is proposed, which partitions measurements into double subsets to enable hyperprior-guided reconstruction via a dual-path architecture. In the Deep Hyperprior Learning branch, a series of lightweight neural modules are designed to efficiently generate hyperprior knowledge of different domains, enabling collaborative guidance for the CS reconstruction. In the Hyperprior Informed Reconstruction branch, a deep unfolding framework with hyperprior guidance is constructed to iteratively refine reconstruction. Specifically, i) in the gradient descent step, a Hyperprior Informed Step Size Generation network is designed to dynamically generate spatially varying step maps, enabling adaptive fine-grained gradient updates. ii) In the proximal mapping step, two well-designed hyperprior informed attention mechanisms are introduced to dynamically focus on challenging regions via gradient-based hard and soft attentions, facilitating CS reconstruction accuracy. Extensive experiments demonstrate that the proposed DPH-DUN outperforms existing CS methods.
• Abstract（参考訳）: 近年のDeep Unfolding Networks (DUN) は、深層ネットワークに反復最適化を統合することで、圧縮センシング (CS) を大幅に進歩させた。 しかし、既存のDUNは以下の2つの課題に悩まされている。 1) 異なる測定サブセット間の効果的な情報相互作用を制限する単一の測定ストリームの信頼性。 2) 多様なテクスチャによって引き起こされる様々な復元困難を克服した全画像領域の均一な処理 これらの制約に対処するため、DPH-DUN(Dual-Path Hyperprior Informed Deep Unfolding Network)が提案されている。 Deep Hyperprior Learningブランチでは、一連の軽量ニューラルネットワークモジュールが、異なるドメインのハイパープライア知識を効率的に生成し、CS再構築のための協調的なガイダンスを可能にするように設計されている。 ハイパープライア・インフォームド・リコンストラクション・ブランチでは、過プライア・ガイダンスを備えたディープ・アンフォールディング・フレームワークを構築して、リコンストラクションを反復的に洗練する。 具体的には i) 勾配降下段階において, 空間的に変化するステップマップを動的に生成し, 微粒な勾配更新を適応的に行うように設計されている。 二 近位マッピングの段階において、CS再建の精度を高めるため、勾配に基づくハード・ソフト・アテンションを通した挑戦領域に動的に焦点を絞るために、2つのよく設計されたハイパープライア・インフォメーション・アテンション・メカニズムを導入する。 大規模な実験により、提案したDPH-DUNは既存のCS法より優れていることが示された。

関連論文リスト

• UDPNet: Unleashing Depth-based Priors for Robust Image Dehazing [77.10640210751981]
  UDPNetは、大規模で事前訓練された深度推定モデルDepthAnything V2から深度に基づく事前情報を活用する一般的なフレームワークである。 提案手法は,様々なシナリオにまたがる深度認識デハージングのための新しいベンチマークを確立する。
  論文  参考訳（メタデータ） (2026-01-11T13:29:02Z)
• Deep Unfolding Network for Image Compressed Sensing by Content-adaptive Gradient Updating and Deformation-invariant Non-local Modeling [35.17811080742471]
  深部展開ネットワーク(DUN)は近年,画像圧縮センシング(CS)において注目されている。 本稿では,画像圧縮センシング(DUN-CSNet)のための新しいDUNを提案する。 第1号では、よく設計されたステップサイズ生成サブネットワークを開発するために、新しいコンテンツ適応勾配勾配ネットワークを提案する。 第2の課題は、画像中に類似したパッチが多数存在するが変形するという事実を考慮して、新しい変形不変な非局所近位写像網を開発することである。
  論文  参考訳（メタデータ） (2023-10-16T03:30:35Z)
• HKNAS: Classification of Hyperspectral Imagery Based on Hyper Kernel Neural Architecture Search [104.45426861115972]
  設計したハイパーカーネルを利用して,構造パラメータを直接生成することを提案する。 我々は1次元または3次元の畳み込みを伴う画素レベルの分類と画像レベルの分類を別々に行う3種類のネットワークを得る。 6つの公開データセットに関する一連の実験は、提案手法が最先端の結果を得ることを示した。
  論文  参考訳（メタデータ） (2023-04-23T17:27:40Z)
• 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)
• Fast Hierarchical Deep Unfolding Network for Image Compressed Sensing [31.71861820004099]
  画像圧縮センシングのための高速階層型深部展開ネットワーク(DUN)を提案する。 提案したFHDUNは、より少ないイテレーションを維持しながら、既存の最先端のCSメソッドより優れている。
  論文  参考訳（メタデータ） (2022-08-03T03:27:32Z)
• D3C2-Net: Dual-Domain Deep Convolutional Coding Network for Compressive Sensing [21.859168613393223]
  本稿では,(1)画像と(2)畳み込み符号化-ドメインの先行部分を組み合わせた二重領域最適化フレームワークを開発し,逆画像処理に汎用性を提供する。 本稿では,D3C2-Net(Dual-Domain Deep Convolutional Coding Network)を提案する。
  論文  参考訳（メタデータ） (2022-07-27T14:52:32Z)
• HerosNet: Hyperspectral Explicable Reconstruction and Optimal Sampling Deep Network for Snapshot Compressive Imaging [41.91463343106411]
  ハイパースペクトルイメージングは、特にリモートセンシング、農業、医学において、幅広い用途に欠かせない画像モダリティである。 低予算のスナップショット測定からハイパスペクトル画像(HSI)を再構築する、遅い、高価、またはかさばる既存のハイパースペクトルカメラにインスパイアされたことが注目されている。 スペクトルスナップショットセンシング(SCI)のための最近のディープ・アンフォールディング・ネットワーク(DUN)は、目覚ましい成功を収めている。 本稿では、ISTAアンフォールディングフレームワークの下で複数のフェーズを含むHerosNetと呼ばれる、SCIのためのハイパースペクトル拡張型再構成と最適サンプリングディープネットワークを提案する。
  論文  参考訳（メタデータ） (2021-12-12T13:42:49Z)
• Multi-view Depth Estimation using Epipolar Spatio-Temporal Networks [87.50632573601283]
  一つのビデオから多視点深度を推定する新しい手法を提案する。 提案手法は,新しいEpipolar Spatio-Temporal Transformer(EST)を用いて時間的コヒーレントな深度推定を行う。 最近のMixture-of-Expertsモデルにインスパイアされた計算コストを削減するため、我々はコンパクトなハイブリッドネットワークを設計する。
  論文  参考訳（メタデータ） (2020-11-26T04:04:21Z)

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。