用于图像压缩感知恢复的结构化组稀疏表示
计算机视觉与模式识别
2014-04-30 v1
摘要
压缩感知 (CS) 理论表明，当信号在某个域中是稀疏的时，可以从远少于奈奎斯特采样理论建议的测量值中解码信号。然而，大多数传统的 CS 恢复方法利用一组固定基（例如 DCT、小波、轮廓波和梯度域）来处理整个信号，这些方法无视自然信号的非平稳性，无法实现足够高的稀疏度，从而导致较差的率失真性能。在本文中，我们提出了一种通过结构化组稀疏表示 (SGSR) 建模进行图像压缩感知恢复的新框架，该框架在自适应组域下的统一框架中同时强制图像稀疏性和自相似性，从而极大地限制了 CS 解空间。此外，开发了一种基于高效迭代收缩/阈值算法的技术来求解上述优化问题。实验结果表明，这种新颖的 CS 恢复策略相比当前最先进 (SOTA) 方案取得了显著的性能提升，并表现出良好的收敛性。
引用
@article{arxiv.1404.7212,
title = {Structural Group Sparse Representation for Image Compressive Sensing Recovery},
author = {Jian Zhang and Debin Zhao and Feng Jiang and Wen Gao},
journal= {arXiv preprint arXiv:1404.7212},
year = {2014}
}
备注
10 pages, 4 figures, 1 table, published at IEEE Data Compression Conference (DCC) 2013