CSVideoNet：一种用于高帧率视频压缩感知的实时端到端学习框架
计算机视觉与模式识别
2018-01-30 v5 机器学习
摘要
本文解决了高帧率视频压缩感知（CS）的实时编解码问题。与先前使用基于迭代优化的方法进行重建不同，我们提出了一种名为“CSVideoNet”的非迭代模型。CSVideoNet直接学习CS的逆映射，并通过单次前向传播重建原始输入。为克服现有CS相机的局限性，我们提出了多速率CNN和合成RNN，以改善重建视频的压缩比（CR）与时空分辨率之间的权衡。实验结果表明，CSVideoNet显著优于当前最先进的方法。在无前/后处理的情况下，我们在Titan X GPU上以100倍压缩比达到25dB PSNR恢复质量，帧率为125 fps。由于CSVideoNet的前馈和高数据并发特性，它可利用GPU加速，相比传统的基于迭代的方法实现三个数量级的速度提升。我们在 https://github.com/PSCLab-ASU/CSVideoNet 分享了源代码。
引用
@article{arxiv.1612.05203,
title = {CSVideoNet: A Real-time End-to-end Learning Framework for High-frame-rate Video Compressive Sensing},
author = {Kai Xu and Fengbo Ren},
journal= {arXiv preprint arXiv:1612.05203},
year = {2018}
}
备注
9 pages, 6 figures, 7 tables. Accepted by WACV 2018