用于压缩感知图像非迭代重建的卷积神经网络
计算机视觉与模式识别
2017-08-18 v2
摘要
传统的压缩感知恢复算法计算成本高昂，且在低测量率下无效。在本工作中，我们提出一种数据驱动的非迭代算法，以克服早期迭代算法的缺陷。我们的解决方案 ReconNet 是一个深度神经网络，其参数通过端到端学习，将场景的分块压缩测量映射到所需的图像块。图像重建变为通过网络的一次简单前向传播，可实时完成。我们通过实验证明，在低测量率和存在测量噪声的情况下，与迭代算法相比，我们的算法产生了具有更高 PSNR 的重建结果。我们还提出了一种 ReconNet 变体，该变体使用对抗损失以进一步提升重建质量。我们讨论了在现有 ReconNet 架构中添加全连接层如何允许在单个网络中联合学习测量矩阵和重建算法。在由分块压缩成像仪获取的真实数据上的实验表明，我们的网络对未见的传感器噪声具有鲁棒性。最后，通过目标跟踪实验，我们表明即使在极低的测量率下，使用我们的算法进行的重建也具有丰富的语义内容，可用于高层推理。
引用
@article{arxiv.1708.04669,
title = {Convolutional Neural Networks for Non-iterative Reconstruction of Compressively Sensed Images},
author = {Suhas Lohit and Kuldeep Kulkarni and Ronan Kerviche and Pavan Turaga and Amit Ashok},
journal= {arXiv preprint arXiv:1708.04669},
year = {2017}
}