具有三维卷积神经网络先验的稠密深度展开网络用于快照压缩成像
图像与视频处理
2021-09-15 v1 计算机视觉与模式识别
摘要
快照压缩成像（SCI）旨在通过一个二维相机记录三维信号。为了构建快速且准确的SCI恢复算法，我们结合了基于模型方法的可解释性与基于学习方法的速度，提出了一种用于SCI的、具有三维卷积神经网络（3D-CNN）先验的新型稠密深度展开网络（DUN），其中每个阶段均由半二次分裂（HQS）的一次迭代展开而来。为了更好地利用帧间的时空相关性并解决现有DUN中相邻阶段间的信息丢失问题，我们分别提出在近端映射模块中采用3D-CNN先验，并开发了一种新型稠密特征图（DFM）策略。此外，为了提升网络鲁棒性，我们进一步提出了稠密特征图自适应（DFMA）模块，以允许阶段间信息自适应融合。所有参数均以端到端方式学习。在仿真数据与真实数据上的大量实验验证了我们所提方法的优越性。源代码可在 https://github.com/jianzhangcs/SCI3D 获取。
引用
@article{arxiv.2109.06548,
title = {Dense Deep Unfolding Network with 3D-CNN Prior for Snapshot Compressive Imaging},
author = {Zhuoyuan Wu and Jian Zhang and Chong Mou},
journal= {arXiv preprint arXiv:2109.06548},
year = {2021}
}
备注
Accepted by ICCV 2021