ATP-Net：一种基于注意力机制的三值投影网络用于压缩感知
信号处理
2021-06-25 v1 计算机视觉与模式识别
图像与视频处理
摘要
压缩感知(CS)理论同时实现信号的采样与压缩过程，并可使用更少的观测来实现准确的信号恢复，为海量数据更好更快地传输提供了解决方案。本文提出一种基于三值采样矩阵并结合注意力机制的方法，旨在解决大多数情况下的CS采样矩阵为随机矩阵、与采样信号无关且需要较大存储空间的问题。所提方法由三值采样、初始重建和深度重建三部分组成，重点在于三值采样。三值方法(-1, 0, +1)的主要思想是在采样矩阵二值化(-1, +1)后，引入注意力机制来评估采样层参数的重要性，随后将重要性低于预定义阈值的参数进行剪枝，以实现三值化。此外，基于该三值采样矩阵实现了一种尤其用于图像重建的压缩感知算法，称为ATP-Net，即基于注意力的三值投影网络。实验结果表明，采用三值采样矩阵的ATP-Net图像重建质量保持在令人满意的水平，即在采样率为0.25时Set11上的平均PSNR为30.4，相比DR2-Net约提升6%。
引用
@article{arxiv.2106.12728,
title = {ATP-Net: An Attention-based Ternary Projection Network For Compressed Sensing},
author = {Guanxiong Nie and Yajian Zhou},
journal= {arXiv preprint arXiv:2106.12728},
year = {2021}
}