内容感知的可扩展深度压缩感知
计算机视觉与模式识别
2022-08-31 v1 图像与视频处理
摘要
为更高效地处理图像压缩感知（CS）问题，我们提出一种新颖的内容感知可扩展网络 CASNet，其协同实现了自适应采样率分配、细粒度可扩展性与高质量重建。我们首先采用数据驱动的显著性检测器评估不同图像区域的重要性，并提出一种基于显著性的块率聚合（BRA）策略用于采样率分配。随后开发统一可学习的生成矩阵，以有序结构产生任意 CS 率的采样矩阵。配备由显著性信息引导的优化启发式恢复子网络及防止块效应的多块训练方案，CASNet 使用单一模型联合重建以不同采样率采样的图像块。为加速训练收敛并提升网络鲁棒性，我们提出基于 SVD 的初始化方案与随机变换增强（RTE）策略，其可扩展且不引入额外参数。所有 CASNet 组件均可端到端组合与学习。我们进一步提供四阶段实现用于评估与实际部署。实验表明 CASNet 大幅优于其他 CS 网络，验证了各组件与策略间的协作与相互支撑。代码见 https://github.com/Guaishou74851/CASNet。
引用
@article{arxiv.2207.09313,
title = {Content-aware Scalable Deep Compressed Sensing},
author = {Bin Chen and Jian Zhang},
journal= {arXiv preprint arXiv:2207.09313},
year = {2022}
}
备注
Accepted for publication as a Regular paper in the IEEE Transactions on Image Processing (T-IP)