一种用于低采样率压缩感知重建的高效深度卷积拉普拉斯金字塔架构
计算机视觉与模式识别
2018-04-16 v1
摘要
压缩感知（CS）在过去几年中已成功应用于图像压缩，因为大多数图像信号在特定域中是稀疏的。已有若干CS重建模型被提出并取得了优越性能。然而，这些方法在大多数情况下于低采样率时会出现块效应或振铃效应。为解决该问题，我们提出了一种用于CS的深度卷积拉普拉斯金字塔压缩感知网络（LapCSNet），其由采样子网络和重建子网络组成。在采样子网络中，我们利用卷积层来模拟采样算子。与传统CS方法中使用的固定采样矩阵不同，我们卷积层中的滤波器与重建子网络联合优化。在重建子网络中，设计两个分支以利用拉普拉斯金字塔架构逐步重建多尺度残差图像和多尺度目标图像。所提出的LapCSNet不仅整合多尺度信息以获得更好性能，还显著降低了计算成本。在基准数据集上的实验结果表明，相较于SOTA方法，所提方法能够重建更多细节和更锐利的边缘。
引用
@article{arxiv.1804.04970,
title = {An efficient deep convolutional laplacian pyramid architecture for CS reconstruction at low sampling ratios},
author = {Wenxue Cui and Heyao Xu and Xinwei Gao and Shengping Zhang and Feng Jiang and Debin Zhao},
journal= {arXiv preprint arXiv:1804.04970},
year = {2018}
}
备注
5 pages. Accepted by ICASSP2018