Dense Deep Unfolding Network with 3D-CNN Prior for Snapshot Compressive Imaging
源论文+源代码:Search for Dense Deep Unfolding Network with 3D-CNN Prior for Snapshot Compressive Imaging | Papers With Codehttps://paperswithcode.com/search?q_meta=&q_type=&q=Dense+Deep+Unfolding+Network+with+3D-CNN+Prior+for+Snapshot+Compressive+Imaging
目录
Abstract
1 研究背景
论文创新点
2.网络层
2.1 DFMA网络(创新点)
2.2 3D卷积核用于SCI(创新点)
3 数学模型
3.1优化过程
3.2子问题求解
3.3迭代步骤
4 实验分析
5 总结
Abstract
快照压缩成像是利用二维(2D)的检测器去捕捉三维以上(HD)的物体。视频压缩感知被广泛地应用在成像系统上,其目的是利用二维传感器来捕捉诸如视频亦或是光谱等高维信号。通过在成像系统中引入额外的硬件部件,高维信号被压缩成二维信号,随后运用重建算法完成二维信号到高维信号的重建,通过此类硬件加软件的形式,能够减少数据的存储空间和传输带宽。
SCI已用于高光谱成像,视频,全息术,断层扫描,焦深成像,偏振成像,显微镜等。尽管对硬件进行了十多年的研究,但直到最近才得出理论保证。受深度学习的启发,还开发了各种深度神经网络来重建光谱SCI和视频SCI中的HD数据立方体。
1 研究背景
快照压缩成像主要应用在两个场景:连续视频和光谱通道上。尽管高速视频和高光谱图像的能够进行压缩并且复原结果已经被证明,但是重建质量差阻碍了SCI的广泛应用最复杂的部分在于从测量帧恢复成原本的视频。传统的SCI是通过先验知识来调整相关参数,虽然可解释性强但是计算过于复杂,时间成本较高。
本篇论文提出端对端的展开的网络来解决这个问题,不仅在解压速度得以提高,并且在解压精度上也得以提高。
论文创新点
(1)视频从视觉上和质量上得以提高
(2)首次使用3D-CNN来对SCI进行先验处理
(3)提出了利用DFM(Dense Feature Map)来提高视频精度,并且提出了DFMA(Dense Feature Map Adaption)用来在不同的阶段之间传递有效的信息
2.网络层
网络中卷积层主要是基于U-NET设计的,主要是学习视频帧的残余特征。
2.1 DFMA网络(创新点)
2.2 3D卷积核用于SCI(创新点)
3 数学模型
3.1优化过程:
3.2子问题求解
主要是通过HQS(Half Quadratic Splitting,半二次方分裂)和ADMM求解
3.3迭代步骤:
主要是通过迭代三个参数来得到结果
4 实验分析
实验部分只做了test部分,训练部分硬件跟不上。结果几乎与文章一致。
5 总结
受半二次分裂 (HQS) 算法的启发,论文提出了一种新颖的密集深度展开网络,该网络具有 3D-CNN 先验,用于快照压缩成像。融合了基于模型的方法和基于学习的方法的优点,此方法具有很强的可解释性和高质量的重建结果。
为了增强利用时空相关性的能力,作者先用 3D-CNN 组装了一个深度网络。为了减少信息丢失,提出了密集特征图(DFM)融合的策略,并且在这个设计了密集特征图自适应(DFMA)模块,使信息在相位之间选择性地传输。
Dense Deep Unfolding Network with 3D-CNN Prior for Snapshot Compressive Imaging相关推荐
- CVPR2020:Deep Unfolding Network for Image Super-Resolution 论文阅读笔记
Deep Unfolding Network for Image Super-Resolution Abstract 1. Introduction 2. Related work 2.1. 退化模型 ...
- CVPR2020:Deep Unfolding Network for Image Super-Resolution解读
Title:Deep Unfolding Network for Image Super-Resolution(图像超分辨率的深度展开网络) Writers:Kai Zhang Luc Van Goo ...
- 2020CVPR超分系列二Deep Unfolding Network for Image SR+Meta-Transfer Learning ZSSR+Res FeatureAggregation
1.Deep Unfolding Network for Image Super-Resolution 代码传送门 1.1 总结 作者认为: learning-base方法目前展现出相比传统model ...
- [有道翻译]Deep Unfolding Network for Image Super-Resolution部分翻译
摘要: 基于学习的单图像超分辨率(SISR)方法不断显示出优于传统的基于模型的方法的有效性和效率,这主要归功于端到端训练.但是,与基于模型的方法在统一的MAP (maximum a posterior ...
- 人群密度估计--CrowdNet: A Deep Convolutional Network for Dense Crowd Counting
CrowdNet: A Deep Convolutional Network for Dense Crowd Counting published in the proceedings of ACM ...
- 《3D Point Cloud Registration for Localization using a Deep Neural Network Auto-Encoder》读书笔记
3D Point Cloud Registration for Localization using a Deep Neural Network Auto-Encoder 题目:基于深度神经网络自编码 ...
- 图像分割(七) —— Transformer and CNN Hybrid Deep Neural Network
Transformer and CNN Hybrid Deep Neural Network for Semantic Segmentation of Very-High-Resolution Rem ...
- 基于3D CNN的深度学习卫星图像土地覆盖分类
本文帮助读者更好地理解使用3D-CNN对卫星数据进行土地覆盖分类的不同深度学习方法. 遥感概论 土地覆盖分类的深度学习 Sundarbans 国家公园卫星图像 CNN在土地覆盖分类中的实现 结论 参考 ...
- PF-Net: Point Fractal Network for 3D Point Cloud Completion
PF-Net:用于三维点云补全的点分形网络 Abstract 在本文中,我们提出了一种点分形网络(PF-Net),一种新的基于学习的精确高保真点云补全方法.与现有点云补全网络不同,现有点云补全网络 ...
最新文章
- CodeForces 699A Launch of Collider
- php7 str split,PHP7.4新特性预览
- python判断、创建文件夹
- Apache 服务器 参数设置
- 线程安全单例最佳实践,C#中的Lazy是如何保证线程安全的
- 丰巢回应小学生用照片“刷脸”取件;苹果明年或发布四款 5G 手机;Spring Boot 2.2.0 发布 | 极客头条...
- 二分查找递归、非递归实现(Python)
- 持续降库纯碱增仓大涨,沪铝认购小涨,螺纹10-01季节性正套2022.5.19
- orcad 连mysql_OrCAD Capture CIS元件库用mysql数据库
- bugly android升级,android 新版本升级示例源码(bugly)
- JAVA.犹抱琵琶半遮面
- 使用mmdetection测试图片
- iqc工作职责和工作内容_iqc组长岗位职责介绍
- 平移计算机图形学代码注释,求代码注释:计算机图形学的OpenGL画四面体。高手来吧。争取每句都注释下。谢谢...
- java导出excel 打不开_Java使用POI生成Excel文件后打不开的问题
- android学习的网址
- 关于__construct()和__destruct
- SSL证书提示风险打不开网页怎么办
- 进入TP-Link路由器之后利用快捷键F12查看星号路由密码的方法
- 微信小程序从本地开发环境到线上测试环境和生产环境的配置