Global Sensing and Measurements Reuse for Image Compressed Sensing

要約

最近、ディープネットワークベースの画像圧縮センシング手法は、従来の手法と比較して、高い再構成品質と計算オーバーヘッドの削減を実現しました。
ただし、既存の方法では、ネットワーク内の部分的な特徴からのみ測定値を取得し、それらを画像再構成に1回だけ使用します。
彼らは、network \ cite {zeiler2014visualizing}に低、中、高レベルの機能があることを無視しており、それらすべてが高品質の再構築に不可欠です。
さらに、測定値を1回だけ使用するだけでは、測定値からより豊富な情報を抽出するには不十分な場合があります。
これらの問題に対処するために、グローバルセンシングモジュール（GSM）を使用してすべてのレベルの機能を収集し、効率的なセンシングを実現する新しいMeasurements Reuse Convolutional Compressed Sensing Network（MR-CCSNet）と、測定値を複数回再利用するMeasurements Reuse Block（MRB）を提案します。
マルチスケールで。
最後に、3つのベンチマークデータセットの実験結果は、私たちのモデルが最先端の方法を大幅に上回っていることを示しています。

要約(オリジナル)

Recently, deep network-based image compressed sensing methods achieved high reconstruction quality and reduced computational overhead compared with traditional methods. However, existing methods obtain measurements only from partial features in the network and use them only once for image reconstruction. They ignore there are low, mid, and high-level features in the network\cite{zeiler2014visualizing} and all of them are essential for high-quality reconstruction. Moreover, using measurements only once may not be enough for extracting richer information from measurements. To address these issues, we propose a novel Measurements Reuse Convolutional Compressed Sensing Network (MR-CCSNet) which employs Global Sensing Module (GSM) to collect all level features for achieving an efficient sensing and Measurements Reuse Block (MRB) to reuse measurements multiple times on multi-scale. Finally, experimental results on three benchmark datasets show that our model can significantly outperform state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google