AutoBCS：基于数据驱动采集与非迭代重建的分块图像压缩感知
信号处理
2021-12-03 v2
摘要
块压缩感知是一种知名的信号采集与重建范式，在科学、工程及控制论系统中具有广泛应用前景。然而，最先进的基于分块的图像压缩感知（BCS）方法普遍存在两个问题。广泛用于图像采集的稀疏域与感知矩阵并非数据驱动，因而忽略了图像特征及子块图像间的关系。此外，这样做需以极高计算复杂度求解高维优化问题来完成图像重建。本文提出一种用于 BCS 的深度学习策略，称为 AutoBCS，它在采集步骤中考虑图像先验知识，并建立后续重建模型以低计算成本实现快速图像重建。更确切地说，我们提出一种源自训练数据的基于学习的感知矩阵（LSM）来完成图像采集，从而比现有方法捕获并保留更多图像特性。特别地，所生成的 LSM 被证明满足压缩感知的理论要求，如所谓的限制等距性质（restricted isometry property）。另外，我们在 AutoBCS 架构中构建了非迭代重建网络，提供端到端 BCS 重建框架，以消除块效应并最大化图像重建精度。此外，我们与传统的 BCS 方法及新近开发的深度学习方法进行了全面对比研究。相比这些方法，我们的 AutoBCS 框架不仅在图像质量指标（SSIM 和 PSNR）与视觉感知上提供更优性能，还能自动提升重建速度。
引用
@article{arxiv.2009.14706,
title = {AutoBCS: Block-based Image Compressive Sensing with Data-driven Acquisition and Non-iterative Reconstruction},
author = {Yang Gao and Hongping Gan and Haiwei CHen and Chunyi Liu and Feng Liu},
journal= {arXiv preprint arXiv:2009.14706},
year = {2021}
}
备注
15 pages, 12 figures