用于分块图像压缩感知的多通道深度网络
图像与视频处理
2022-07-12 v2 信息论
机器学习
math.IT
机器学习
摘要
近年来，在图像压缩感知（CS）中引入深度神经网络在多媒体技术及应用方面受到广泛关注。由于深度网络方法直接从CS测量中学习逆映射，其重建速度显著快于传统CS算法。然而，对于现有基于网络的方法，一种CS采样过程必须映射一个独立的网络模型。这可能因块效应而潜在降低采用分块采样的图像CS性能，尤其当一幅图像内不同块被赋予多种采样率时。本文中，我们开发了一种用于分块图像CS的多通道深度网络，通过利用块间相关性，性能显著超越当前最先进方法。显著的性能提升归因于分块近似但全图像去除块效应。具体而言，借助我们的多通道结构，具有多种采样率的图像块可在单一模型中重建。初始重建的块随后能够重新组装为完整图像，通过展开一个手工设计的基于块的CS恢复算法来改善恢复图像。实验结果表明，所提方法在客观指标与主观视觉图像质量上均以较大优势优于最先进CS方法。我们的源代码见于https://github.com/siwangzhou/DeepBCS。
引用
@article{arxiv.1908.11221,
title = {Multi-Channel Deep Networks for Block-Based Image Compressive Sensing},
author = {Siwang Zhou and Yan He and Yonghe Liu and Chengqing Li and Jianming Zhang},
journal= {arXiv preprint arXiv:1908.11221},
year = {2022}
}
备注
14 pages, 10 figures