具有循环-残差结构约束的鲁棒深度压缩感知
图像与视频处理
2022-07-18 v1 人工智能
计算机视觉与模式识别
摘要
现有深度压缩感知（CS）方法要么忽略自适应在线优化，要么在重建时依赖代价高昂的迭代优化器。本工作探索了一种具有循环-残差结构约束的新型图像CS框架，称为RCS-NET。RCS-NET首先通过一种新型循环神经网络逐步优化所获取的采样。随后级联残差卷积网络从优化后的潜在表示中完整重建图像。作为首个高效桥接自适应在线优化的深度CS框架，RCS-NET将在线优化的鲁棒性与深度学习方法的效率及非线性能力相结合。信号相关性已通过网络架构得到处理。其自适应感知特性进一步使其成为利用通道相关性的彩色图像CS的理想选择。数值实验验证了所提出的循环潜在优化设计不仅实现了自适应动机，而且在同一场景下优于经典长短期记忆（LSTM）架构。整体框架展示了硬件实现可行性，在现有深度CS基准中具有领先的鲁棒性与泛化能力。
引用
@article{arxiv.2207.07301,
title = {Robust Deep Compressive Sensing with Recurrent-Residual Structural Constraints},
author = {Jun Niu},
journal= {arXiv preprint arXiv:2207.07301},
year = {2022}
}