基于深度神经网络的稀疏测量矩阵用于图像压缩感知
计算机视觉与模式识别
2018-06-20 v1
摘要
高斯随机矩阵（GRM）已被广泛用于自然图像压缩感知（CS）中的线性测量生成。然而，GRM 在实际应用中存在两个缺点。其一是 GRM 内存需求大且计算复杂度高，限制了 CS 的应用。其二是 GRM 随机获取的 CS 测量无法提供充分的重建性能。本文中，所提出的卷积网络学习得到一种基于深度神经网络的稀疏测量矩阵（DSMM），以降低采样计算复杂度并提升 CS 重建性能。所提网络包含两个子网络，即采样子网络与重建子网络。在采样子网络中，考虑到存储与计算复杂度的限制，同时兼顾了稀疏性与归一化。为提升 CS 重建性能，引入重建子网络以帮助增强采样子网络。因此，通过所提端到端网络的离线迭代训练，生成了 DSMM，用于精确测量与优异重建。实验结果表明，在具有代表性的 CS 重建方法上，所提 DSMM 大幅优于 GRM。
引用
@article{arxiv.1806.07026,
title = {Deep neural network based sparse measurement matrix for image compressed sensing},
author = {Wenxue Cui and Feng Jiang and Xinwei Gao and Wen Tao and Debin Zhao},
journal= {arXiv preprint arXiv:1806.07026},
year = {2018}
}
备注
5 pages, accepted by ICIP 2018