学习非局部稀疏与低秩模型用于图像压缩感知
图像与视频处理
2022-10-26 v6
摘要
压缩感知(CS)方案利用比奈奎斯特-香农采样定理所建议的少得多的测量值来精确重建图像,这在计算成像领域引起了相当大的关注。虽然经典的图像CS方案使用解析变换或基来利用稀疏性,但基于学习的方法近年来已变得越来越流行。这类方法可以通过优化图像的稀疏表示或学习深度神经网络来有效建模图像块的结构,同时保留已知或建模的感知过程。除了利用图像的局部特性外,先进的CS方案采用非局部图像建模,通过提取图像不同位置的相似或高度相关的块来形成组进行联合处理。最近的基于学习的CS方案应用基于群稀疏表示(GSR)和/或低秩(LR)建模的非局部结构化稀疏先验,在计算成像和图像处理的各种应用中展现了有前景的性能。本文回顾了图像CS任务中的一些近期工作,重点放在基于先进GSR和LR的方法上。此外,我们提出了一个统一框架来整合各种GSR和LR模型,并讨论了GSR与LR模型之间的关系。最后,我们讨论了该领域的开放问题和未来方向。
引用
@article{arxiv.2203.09656,
title = {Learning Nonlocal Sparse and Low-Rank Models for Image Compressive Sensing},
author = {Zhiyuan Zha and Bihan Wen and Xin Yuan and Saiprasad Ravishankar and Jiantao Zhou and Ce Zhu},
journal= {arXiv preprint arXiv:2203.09656},
year = {2022}
}