MOSAIC：用于图像重建的掩码优化与选择性注意力机制
计算机视觉与模式识别
2023-06-02 v1 图像与视频处理
摘要
压缩感知 (CS) 通过求解稀疏正则化逆问题，从亚奈奎斯特测量中重建图像。传统的 CS 求解器使用带有手工设计稀疏化器的迭代优化器，而早期的数据驱动方法则直接学习从低维测量空间到原始图像空间的逆映射。后者的性能优于前者，但受限于预定义的测量域。最近，深度展开方法结合了传统的近端梯度方法和数据驱动方法，以迭代地细化图像近似。为了实现更高的精度，也有人建议自适应地学习采样矩阵和测量向量的选择。与当前趋势相反，在这项工作中，我们假设对于给定的测量基，存在从一组随机压缩测量到图像域的一般逆映射，并且可以被学习。这样的模型是单次的、无限制的，并且不对采样过程进行参数化。为此，我们提出了 MOSAIC，一种新颖的压缩感知框架，用于在给定使用固定基采样的任意随机测量选择时重建图像。受测量中信息分布不均匀的启发，MOSAIC 结合了一种嵌入技术，以在编码的测量序列上高效地应用注意力机制，同时免除了使用展开深度网络的需要。一系列实验验证了我们提出的架构作为现有 CS 重建方法的有前途的替代方案，在标准数据集上的重建精度指标达到了 SOTA。
引用
@article{arxiv.2306.00906,
title = {MOSAIC: Masked Optimisation with Selective Attention for Image Reconstruction},
author = {Pamuditha Somarathne and Tharindu Wickremasinghe and Amashi Niwarthana and A. Thieshanthan and Chamira U. S. Edussooriya and Dushan N. Wadduwage},
journal= {arXiv preprint arXiv:2306.00906},
year = {2023}
}