DR2-Net：用于图像压缩感知的深度残差重建网络
计算机视觉与模式识别
2019-09-05 v4
摘要
大多数传统的压缩感知图像重建算法都受限于计算密集型问题。最近，基于深度学习的重建算法被报道，其时间复杂度较迭代重建算法显著降低。在本文中，我们提出了一种新颖的\textbf{深}度\textbf{残}差\textbf{重}建网络（DR-Net），用于从其压缩感知（CS）测量中重建图像。DR-Net 的提出基于两个观察结果：1) 线性映射可以重建高质量的初步图像，2) 残差学习可以进一步提高重建质量。因此，DR-Net 由两个部分组成，即线性映射网络和残差网络。具体而言，神经网络中的全连接层实现了线性映射网络。随后，我们通过添加若干个残差学习块来增强初步图像，将线性映射网络扩展为 DR-Net。大量实验表明，在测量率分别为 0.01、0.04、0.1 和 0.25 时，DR-Net 的表现大幅优于传统迭代方法和最近的基于深度学习的方法。DR-Net 的代码已发布在：https://github.com/coldrainyht/caffe\_dr2
引用
@article{arxiv.1702.05743,
title = {DR2-Net: Deep Residual Reconstruction Network for Image Compressive Sensing},
author = {Hantao Yao and Feng Dai and Dongming Zhang and Yike Ma and Shiliang Zhang and Yongdong Zhang and Qi Tian},
journal= {arXiv preprint arXiv:1702.05743},
year = {2019}
}
备注
Add the code link