LR-CSNet：用于图像压缩感知的低秩深度展开网络
计算机视觉与模式识别
2022-12-20 v1 图像与视频处理
摘要
深度展开网络（DUN）已被证明是实现压缩感知（CS）的一种可行方法。本文提出一种用于自然图像 CS 的 DUN，称为低秩 CS 网络（LR-CSNet）。真实世界的图像块通常可由低秩近似很好地表示。LR-CSNet 通过在 CS 优化任务中加入低秩先验来利用这一特性。我们使用变量分裂推导出相应的迭代优化过程，并将其转化为一种新的 DUN 架构。该架构使用低秩生成模块（LRGM）学习低秩矩阵分解，以及梯度下降与近端映射模块（GDPM）提取高频特征以细化图像细节。此外，DUN 中每个重构阶段生成的深度特征在阶段间传递以提升性能。我们在三个广泛使用的数据集上进行的大量实验表明，与自然图像 CS 中的最先进方法相比，LR-CSNet 展现出令人鼓舞的性能。
引用
@article{arxiv.2212.09088,
title = {LR-CSNet: Low-Rank Deep Unfolding Network for Image Compressive Sensing},
author = {Tianfang Zhang and Lei Li and Christian Igel and Stefan Oehmcke and Fabian Gieseke and Zhenming Peng},
journal= {arXiv preprint arXiv:2212.09088},
year = {2022}
}