NL-CS Net：基于非局部先验的图像压缩感知深度学习网络
计算机视觉与模式识别
2023-05-09 v1 机器学习
图像与视频处理
摘要
近年来深度学习已成功应用于图像压缩感知（CS）。然而，现有基于网络的方法常作为黑箱训练，缺乏先验知识往往是进一步提升性能的瓶颈。为克服该缺陷，本文提出一种结合传统优化方法可解释性与基于网络方法速度的、使用非局部先验的新型 CS 方法，称为 NL-CS Net。我们将增广拉格朗日法求解非局部与稀疏正则化优化问题的迭代各阶段展开为网络。NL-CS Net 由上采样模块与恢复模块组成。在上采样模块中，我们使用可学习上采样矩阵替代预定义矩阵。在恢复模块中，采用块级非局部网络捕捉长距离特征对应。所涉及的重要参数（如采样矩阵、非线性变换、收缩阈值、步长等）均为端到端学习而非手工设计。此外，为便于实际实施，同时对采样矩阵采用正交与二值约束。在自然图像与磁共振成像（MRI）上的大量实验表明，所提方法在保持优良可解释性与速度的同时优于当前最优（SOTA）方法。
引用
@article{arxiv.2305.03899,
title = {NL-CS Net: Deep Learning with Non-Local Prior for Image Compressive Sensing},
author = {Shuai Bian and Shouliang Qi and Chen Li and Yudong Yao and Yueyang Teng},
journal= {arXiv preprint arXiv:2305.03899},
year = {2023}
}
备注
21pages,6figures