Dynamic Path-Controllable Deep Unfolding Network for Compressive Sensing

要約

最適化アルゴリズムをディープ ニューラル ネットワークに展開するディープ アンフォールディング ネットワーク (DUN) は、その優れた解釈性と高いパフォーマンスにより、圧縮センシング (CS) で大きな成功を収めています。
DUN の各ステージは、最適化の 1 回の反復に対応します。
テスト時には、通常、すべてのサンプリング画像をすべてのステージで処理する必要がありますが、これには計算負荷がかかりますが、内容の復元が容易な画像には不要です。
この論文では、CS 再構成に焦点を当て、新しい動的パス制御可能な深層展開ネットワーク (DPC-DUN) を提案します。
当社が設計したパス制御可能なセレクターを備えた DPC-DUN は、各画像に対して迅速かつ適切なルートを動的に選択でき、さまざまなパフォーマンスと複雑さのトレードオフを調整することでスリム化が可能です。
広範な実験により、当社の DPC-DUN は柔軟性が高く、適切なトレードオフを得るために優れたパフォーマンスと動的調整を提供できるため、実際に魅力的なものとなるための主な要件に対処できることがわかりました。
コードは https://github.com/songjiechong/DPC-DUN で入手できます。

要約(オリジナル)

Deep unfolding network (DUN) that unfolds the optimization algorithm into a deep neural network has achieved great success in compressive sensing (CS) due to its good interpretability and high performance. Each stage in DUN corresponds to one iteration in optimization. At the test time, all the sampling images generally need to be processed by all stages, which comes at a price of computation burden and is also unnecessary for the images whose contents are easier to restore. In this paper, we focus on CS reconstruction and propose a novel Dynamic Path-Controllable Deep Unfolding Network (DPC-DUN). DPC-DUN with our designed path-controllable selector can dynamically select a rapid and appropriate route for each image and is slimmable by regulating different performance-complexity tradeoffs. Extensive experiments show that our DPC-DUN is highly flexible and can provide excellent performance and dynamic adjustment to get a suitable tradeoff, thus addressing the main requirements to become appealing in practice. Codes are available at https://github.com/songjiechong/DPC-DUN.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google