JSRNN：用于高质量图像压缩感知的联合采样与重建神经网络
计算机视觉与模式识别
2022-11-17 v1 图像与视频处理
摘要
大多数基于深度学习（DL）的压缩感知（DCS）算法采用单一神经网络进行信号重建，未能联合考虑采样操作对重建的影响。本文提出一种统一框架，基于精心设计的级联神经网络联合考虑图像压缩感知的采样与重建过程。所提框架包含两个子网络：采样子网络与重建子网络。在采样子网络中，使用自适应全连接层替代传统随机矩阵来模拟采样算子。在重建子网络中，设计结合堆叠去噪自编码器（SDA）与卷积神经网络（CNN）的级联网络以重建信号。SDA 用于解决信号映射问题并初步重建信号；进而利用 CNN 充分恢复图像的结构与纹理特征以获得更好的重建性能。大量实验表明，该框架优于许多其他最先进方法，尤其在低采样率下。
引用
@article{arxiv.2211.05963,
title = {JSRNN: Joint Sampling and Reconstruction Neural Networks for High Quality Image Compressed Sensing},
author = {Chunyan Zeng and Jiaxiang Ye and Zhifeng Wang and Nan Zhao and Minghu Wu},
journal= {arXiv preprint arXiv:2211.05963},
year = {2022}
}
备注
9 pages, 3 figures