用于可扩展快照压缩感知的集成学习先验展开
图像与视频处理
2022-08-23 v2
摘要
快照压缩成像（SCI）可以通过一次二维测量记录三维信息，并从该二维测量通过重构算法重建原始三维信息。正如我们所见，重构算法在SCI中起着至关重要的作用。近年来，深度学习算法展现出卓越的能力，优于传统算法。因此，提高深度学习算法的重构精度是SCI的必然课题。此外，深度学习算法通常受限于可扩展性，如果缺乏新的训练过程，一般训练好的模型不能应用于新系统。为了解决这些问题，我们发展了集成学习先验以进一步提高重构精度，并提出了可扩展学习，使深度学习像传统算法一样具有可扩展性。此外，我们的算法取得了最先进（SOTA）的结果，优于现有算法。在仿真和真实数据集上的大量结果证明了我们所提算法的优越性。代码和模型将公开发布。
引用
@article{arxiv.2201.10419,
title = {Ensemble learning priors unfolding for scalable Snapshot Compressive Sensing},
author = {Chengshuai Yang and Shiyu Zhang and Xin Yuan},
journal= {arXiv preprint arXiv:2201.10419},
year = {2022}
}