ReconNet：从压缩感知随机测量中非迭代重建图像
计算机视觉与模式识别
2016-03-09 v2
摘要
本文旨在提出一种非迭代且更为重要的极快算法，从压缩感知(CS)随机测量中重建图像。为此，我们提出了一种新颖的卷积神经网络(CNN)架构，其将图像的 CS 测量作为输入并输出中间重建结果。我们称此网络为 ReconNet。该中间重建被输入现成去噪器以获得最终重建图像。在标准图像数据集上，我们在不同测量率下展示了相比最先进迭代 CS 重建算法在重建结果（就 PSNR 与时间复杂度而言）上的显著改进。此外，通过我们使用块单像素相机(SPC)收集的真实数据定性实验，我们展示了我们的网络对传感器噪声高度鲁棒，并能在 0.1 与 0.04 的极低感知率下恢复比竞争算法视觉质量更好的图像。为证明我们的算法即使在 0.01 的低测量率下也能恢复语义信息丰富的图像，我们给出了一个非常鲁棒的实时视觉跟踪应用概念验证。
引用
@article{arxiv.1601.06892,
title = {ReconNet: Non-Iterative Reconstruction of Images from Compressively Sensed Random Measurements},
author = {Kuldeep Kulkarni and Suhas Lohit and Pavan Turaga and Ronan Kerviche and Amit Ashok},
journal= {arXiv preprint arXiv:1601.06892},
year = {2016}
}
备注
Accepted at IEEE International Conference on Computer Vision and Pattern Recognition (CVPR), 2016