一种用于可持续压缩感知的轻量级循环学习网络
计算机视觉与模式识别
2023-04-25 v1 机器学习
信号处理
摘要
近年来，基于深度学习的压缩感知（CS）在降低感知系统的采样与计算成本、提升重建质量方面取得了巨大成功。然而，这些方法在很大程度上忽视了计算成本问题；它们依赖复杂结构与任务专用算子设计，导致 CS 成像系统中存储量大、能耗高。本文中，我们提出一种基于循环学习的轻量级且高效的深度神经网络，以实现可持续的 CS 系统；它所需参数更少，却能获得高质量重建。具体而言，我们提出的网络由初始重建子网络与残差重建子网络组成。初始重建子网络具有分层结构以逐步恢复图像，减少参数数量；残差重建子网络通过循环学习实现循环残差特征提取，以完成跨不同尺度的特征融合与深度重建。此外，我们还证明，在初始重建后，尺寸缩小的特征图足以恢复残差信息，从而显著减少了所需内存量。大量实验表明，我们提出的模型能取得优于现有最先进 CS 算法的重建质量，且网络参数数量也更少。我们的源代码见：https://github.com/C66YU/CSRN。
引用
@article{arxiv.2304.11674,
title = {A Lightweight Recurrent Learning Network for Sustainable Compressed Sensing},
author = {Yu Zhou and Yu Chen and Xiao Zhang and Pan Lai and Lei Huang and Jianmin Jiang},
journal= {arXiv preprint arXiv:2304.11674},
year = {2023}
}
备注
has been accepted to IEEE TETCI