基于内容自适应梯度更新与形变不变非局部建模的图像压缩感知深度展开网络
计算机视觉与模式识别
2023-10-17 v1 多媒体
摘要
受某些优化求解器启发，深度展开网络（DUN）近年来在图像压缩感知（CS）中备受关注。然而，仍存在以下两个问题：1）在现有DUN中，大多数超参数通常与内容无关，这极大限制了它们对不同输入内容的适应性。2）在每次迭代中，通常采用普通卷积神经网络，削弱了对更宽上下文先验的感知，从而降低了表达能力。本文受传统近端梯度下降（PGD）算法启发，提出一种用于图像压缩感知的新型DUN（称为DUN-CSNet）以解决上述两个问题。具体而言，针对第一个问题，提出一种新颖的内容自适应梯度下降网络，其中设计了完善的步长生成子网络，通过生成内容感知步长图，为输入图像的不同纹理动态分配相应步长，实现内容自适应梯度更新。针对第二个问题，考虑到图像中存在许多经历形变的相似块，开发了一种新颖的形变不变非局部近端映射网络，该网络通过形变不变非局部建模自适应地建立非局部块之间的长程依赖，从而实现对上下文先验的更宽感知。大量实验表明，所提出的DUN-CSNet大幅优于现有最先进的CS方法。
引用
@article{arxiv.2310.10033,
title = {Deep Unfolding Network for Image Compressed Sensing by Content-adaptive Gradient Updating and Deformation-invariant Non-local Modeling},
author = {Wenxue Cui and Xiaopeng Fan and Jian Zhang and Debin Zhao},
journal= {arXiv preprint arXiv:2310.10033},
year = {2023}
}
备注
16 pages, 13 figures. Accepted by IEEE Transactions on Multimedia (TMM)