D3C2-Net：用于压缩感知的双域深度卷积编码网络
计算机视觉与模式识别
2025-05-26 v2 机器学习
图像与视频处理
摘要
通过将迭代优化算法映射为神经网络（NNs），深度展开网络（DUNs）具有定义明确且可解释的结构，并在压缩感知（CS）领域取得显著成功。然而，大多数现有 DUNs 仅依赖图像域展开，这限制了信息传输能力与重建灵活性，导致它们丢失图像细节且性能不尽人意。为克服这些局限，本文提出了一种双域优化框架，该框架结合了（1）图像域与（2）卷积编码域的先验，并对 CS 及其他逆成像任务具有通用性。通过将此优化框架转换为深度 NN 结构，我们提出双域深度卷积编码网络（D3C2-Net），其具备在所有展开阶段高效传输高容量自适应卷积特征的能力。我们在模拟与真实采集数据（涵盖 2D 与 3D 自然、医学及科学信号）上的理论分析与实验，证明了我们的方法相对于其他竞争方法的有效性、实用性、优越性能与泛化能力，以及在精度、复杂度和可解释性之间取得平衡方面的显著潜力。代码见 https://github.com/lwq20020127/D3C2-Net。
引用
@article{arxiv.2207.13560,
title = {D3C2-Net: Dual-Domain Deep Convolutional Coding Network for Compressive Sensing},
author = {Weiqi Li and Bin Chen and Shuai Liu and Shijie Zhao and Bowen Du and Yongbing Zhang and Jian Zhang},
journal= {arXiv preprint arXiv:2207.13560},
year = {2025}
}
备注
accepted by IEEE TCSVT