用于压缩成像的动态近端展开网络
图像与视频处理
2021-10-26 v2 计算机视觉与模式识别
摘要
压缩成像旨在从欠采样测量中恢复潜在图像，这面临严重的病态逆问题。近年来，深度神经网络因能够学习先进的图像先验，被应用于该问题并取得了优异的结果。然而，这些方法需要为不同的成像模态和采样率训练单独的模型，导致对特定设置过拟合。本文提出了一种动态近端展开网络（称为 DPUNet），它可以通过单一模型处理各种测量矩阵而无需重新训练。具体而言，DPUNet 可以通过梯度下降利用嵌入的观测模型，并通过学习到的动态近端算子施加图像先验，从而实现联合重建。DPUNet 的一个关键组件是动态近端映射模块，其参数可以在推理阶段动态调整，使其适应不同的成像设置。实验结果表明，所提出的 DPUNet 仅通过一个训练好的模型即可有效处理不同采样率和噪声水平下的多种压缩成像模态，并优于 SOTA 方法。
引用
@article{arxiv.2107.11007,
title = {Dynamic Proximal Unrolling Network for Compressive Imaging},
author = {Yixiao Yang and Ran Tao and Kaixuan Wei and Ying Fu},
journal= {arXiv preprint arXiv:2107.11007},
year = {2021}
}