深度压缩感知
机器学习
2019-05-21 v2 信号处理
机器学习
摘要
压缩感知(CS)提供了一种从压缩测量中恢复稀疏信号的优雅框架。例如,CS可利用自然图像的结构,仅从少量随机测量中恢复图像。CS灵活且数据高效,但其应用一直受限于强稀疏性假设与高昂的重建过程。近期一种将CS与神经网络生成器结合的方法去除了稀疏性约束,但重建仍然缓慢。本文提出一种新颖框架,通过元学习联合训练生成器与用于重建的优化过程,显著提升了信号恢复的性能与速度。我们探索以不同目标训练测量,并推导出基于最小化测量误差的一类模型。我们表明生成对抗网络(GANs)可视为该类模型的特例。借鉴CS视角下的洞见,我们开发了一种利用判别器梯度信息改进GANs的新方法。
引用
@article{arxiv.1905.06723,
title = {Deep Compressed Sensing},
author = {Yan Wu and Mihaela Rosca and Timothy Lillicrap},
journal= {arXiv preprint arXiv:1905.06723},
year = {2019}
}
备注
ICML 2019