用于压缩感知的记忆增强深度展开网络
计算机视觉与模式识别
2021-10-26 v2 图像与视频处理
摘要
深度展开网络（DUN）将截断优化方法映射为深度神经网络，因其良好的可解释性与高性能在压缩感知（CS）中备受关注。DUN的每一阶段对应优化中的一次迭代。从人脑记忆处理视角理解DUN，我们发现现有DUN存在两方面问题：一是相邻两阶段间的信息（可视为短期记忆）通常严重丢失；二是缺乏显式机制确保先前阶段影响当前阶段，即记忆易被遗忘。为解决这些问题，本文提出一种用于CS的具有持久记忆的新型DUN，称为记忆增强深度展开网络（MADUN）。我们结合两类记忆增强机制——高通量短期记忆（HSM）与跨阶段长期记忆（CLM），设计了记忆增强近端映射模块（MAPMM）。HSM使DUN能传输多通道短期记忆，大幅减少相邻阶段间信息损失；CLM用于建立级联阶段间深层信息的依赖，极大增强网络表征能力。在自然图像与MR图像上的大量CS实验表明，凭借维持与平衡信息的强大能力，我们的MADUN大幅优于现有SOTA方法。源代码见https://github.com/jianzhangcs/MADUN/。
引用
@article{arxiv.2110.09766,
title = {Memory-Augmented Deep Unfolding Network for Compressive Sensing},
author = {Jiechong Song and Bin Chen and Jian Zhang},
journal= {arXiv preprint arXiv:2110.09766},
year = {2021}
}
备注
10 pages, 7 figures, ACM MM 2021