×
岳慧慧;郭继昌;尹向军;郭春乐;贾伟光

MB-DAMPNet：一种新的基于多分支去噪的深度神经网络近似信息传递算法，用于图像重建。 （英语） Zbl 1475.94027号

反向探测。 37，第10期，第18页（2021年）.
摘要：压缩传感因其在求解线性逆问题中的有效性而受到广泛关注。然而，如何在保证甚至加快速度的同时进一步提高压缩图像反演的精度仍然是一个重大挑战。为了解决这个问题，我们提出了一种新的基于多分支去噪的深度神经网络近似消息传递算法，称为MB-DAMPNet。它主要由采样子网、初始恢复子网和深度恢复子网三部分组成，并进行了联合优化。构造采样子网以获得压缩测量值，使用初始恢复子网通过逆变换生成重建图像，而设计深度恢复子网以细化前者获得的重建结果，从而提高图像精度。此外，网络中的矩阵乘法都设计为可以自动学习的矩阵卷积，因此MB-DAMPNet的输入图像可以是不同尺度的，这提高了网络的灵活性和适用性，网络中的所有参数都是端到端学习的，而不是固定的或手工制作的。数值结果验证了我们的方法在图像重建精度方面明显优于其他最先进的方法。

MSC公司：

94A08型 信息与通信理论中的图像处理（压缩、重建等）
94年12月 信号理论（表征、重建、滤波等）
68T07型 人工神经网络与深度学习

关键词：

图像重建;压缩传感;深度神经网络;近似消息传递算法
PDF格式BibTeX公司 XML格式引用
\textit{H.Yue}等人，《反问题》。37，第10期，第18页（2021年；Zbl 1475.94027）
全文： 内政部

参考文献：

[1] 杜，D。；潘，Z。；张，P。；李毅。；Ku，W.，使用字典学习和形状自适应DCT阈值的压缩传感图像恢复，Magn。Reson公司。成像，55，60-71（2018）·doi:10.1016/j.mri，2018年9月14日
[2] Yan，Y。；Huibin，L。；宗本，X。；Jian，S.，用于压缩传感MRI的Deep ADMM Net（2016）
[3] Yang，A.Y。；Zhou，Z。；Ganesh，A。；Sastry，S.S。；Ma，Y.，法斯特ℓ_稳健人脸识别的1-最小化算法，IEEE Trans。图像处理。，22, 3234-3246 (2010) ·doi:10.1109/tip.2013.226292
[4] 黄，S。；Zhu，J.，使用OMP及其变体恢复稀疏信号：基于RIP的收敛性分析，反问题，27（2011）·Zbl 1220.94017号 ·doi:10.1088/0266-5611/27/3/035003
[5] Needell，D。；Tropp，J.A.，CoSaMP：不完整和不准确样本的迭代信号恢复，应用。计算。哈蒙。分析。，26, 301-321 (2009) ·Zbl 1163.94003号 ·doi:10.1016/j.acha.2008.07.002
[6] Dai，W。；Milenkovic，O.，压缩传感信号重建的子空间追踪，IEEE Trans。通知。理论，552230-2249（2009）·Zbl 1367.94082号 ·doi:10.1109/tit.2009.2016006
[7] 肖，J。；Del-Blanco，C.R。；Cuevas，C。；Garcáa，N.，使用修改的平滑L_0范数进行基于块压缩感知编码的快速图像解码，234-236（2016）
[8] 赵，R。；Lin，W。；Hao，L。；邵海，A.H.，基于平滑L_0范数和修正牛顿法的压缩传感重建算法，J.Computer-Aided Des。计算。图表。，24778-484（2012年）·doi:10.3969/j.issn.1003-9775.2012.04.008
[9] Daubechies，I。；Defrise，M。；Mol，C.D.，《Sparsite-enforcing regularisation and ISTA reviewed》，《逆向问题》，32（2016）·Zbl 1402.65048号 ·doi:10.1088/0266-5611/32/10/104001
[10] Zibetti，M.V W。；林，C。；Herman，G.T.，用于图像重建的全变分优化共轭梯度法，反问题，34（2018）·Zbl 1430.94040号 ·doi:10.1088/1361-6420/aaa49b
[11] 博格丁，M。；施尼特，P。；Rangan，S.，AMP激励的稀疏线性反问题深层网络，IEEE Trans。信号处理。，65, 4293-4308 (2017) ·兹比尔1414.94083 ·doi:10.1109/tsp.2017.2708040
[12] 梅茨勒，C.A。；Maleki，A。；Baraniuk，R.G.，《从去噪到压缩传感》，IEEE Trans。通知。理论，625117-5144（2016）·Zbl 1359.94137号 ·doi:10.1109/tit.2016.2556683
[13] Eksioglu，E.M。；Korhan Tanc，A.，用于MRI重建的去噪AMP：BM3D-AMP-MRI，SIAM J.成像科学，12090-2109（2018）·Zbl 1478.94034号 ·doi:10.1137/18m1169655
[14] 张，K。；左，W。；陈，Y。；孟，D。；Zhang，L.，超越高斯去噪器：用于图像去噪的深度CNN残差学习，IEEE Trans。图像处理。，26, 3142-3155 (2017) ·Zbl 1409.94754号 ·doi:10.1109/tip.2017.2662206
[15] He，K。；张，X。；任，S。；Sun，J.，图像识别的深度剩余学习（2016）
[16] Huang，G.等人。；刘，Z。；劳伦斯，V.D M。；Weinberger，K.Q.，《紧密连接卷积网络》（2017）
[17] 姚，H。；戴，F。；张，S。；Zhang，Y。；田强。；Xu，C.，DR2-Net：用于图像压缩传感的深度残差重建网络，神经计算，359483-493（2019）·doi:10.1016/j.neucom.2019.05.006
[18] 张杰。；Ghanem，B.，ISTA-Net：图像压缩传感的可解释优化激励深度网络（2018）
[19] 张杰。；赵，C。；Gao，W.，优化激励的紧凑型深层压缩传感，IEEE J.Sel。顶部。信号处理。，14, 765-774 (2020) ·doi:10.1109/jstsp.2020.2977507
[20] 穆萨维，A。；Baraniuk，R.G.，《学习反转：通过深度卷积网络恢复信号》（2017）
[21] Kulkarni，K。；Lohit，S。；图拉加，P。；科维奇，R。；Ashok，A.，ReconNet：压缩传感测量图像的非迭代重建（2016）
[22] 岳，H。；郭杰。；Yin，X.，MS-DRDNet:计算机科学（LNCS）、模式识别和计算机视觉MRI讲稿的优化激励深层压缩传感网络——第三届中国会议，第12307卷，第382-394页（2020年）
[23] Shi，W。；江，F。；张，S。；Zhao，D.，压缩图像传感的深度网络（2017）
[24] Shi，W。；江，F。；张，S。；Zhao，D.，用于图像压缩感知的可伸缩卷积神经网络（2019）
[25] Xu，K。；张，Z。；Ren，F.，LAPRAN：用于灵活压缩传感重建的可扩展拉普拉斯金字塔重建对抗网络（2018）
[26] 伊斯兰，J.M。；罗，P。；Junaed，S.，水下图像的同步增强和超分辨率，以改善视觉感知（2020年）
[27] Canh，T.N。；Jeon，B.，深度压缩传感卷积的差异（2019）
[28] Canh，T.N。；Jeon，B.，多尺度深层压缩传感网络（2018年）
[29] Pokala，P.K。；Mahurkar，A.G。；Seelamantula，C.S.，FIRMNet:用于求解线性反问题的稀疏放大深度网络（2019）
[30] 梅茨勒，C.A。；穆萨维，A。；Baraniuk，R.G.，Learned D-AMP：基于原则神经网络的压缩图像恢复（2017）
[31] Suwabe，K。；Onuki，M。；伊祖卡，Y。；Tanaka，Y.，《使用快速特征值滤波的全球化BM3D》（2015年）
[32] 李，Q。；朱，Z。；徐，C。；Tang，Y.，一种新的声信号去噪方法，1-5（2017）
[33] Russo，F.，用于灰度图像去噪的非局部均值（NLM）算法的性能评估（2017）
[34] 张，H。；张，H。；梁，Y。；Yang，Z-Y；Ren，Y.，非凸正则化的近似消息传递算法，IEEE Access，79080-9090（2019）·doi:10.1109/access.2019.2891121
[35] Wang，L。；尹，X。；岳，H。；Xiang，J.，用于欠定盲源分离的正则加权平滑L0范数最小化方法，传感器，18，4260（2018）·doi:10.3390/s18124260
[36] Shi，W。；江，F。；刘，S。；赵，D.，使用卷积神经网络的图像压缩传感，IEEE Trans。图像处理。，29, 375-388 (2020) ·Zbl 07585885号 ·doi:10.1109/tip.2019.2928136
[37] Z.Khan。；Yang，J.，使用基于FC-dense u-net的深度表示聚类和基于多维特征融合的区域合并的自底向上无监督图像分割，image Vis。计算。，94（2020）·doi:10.1016/j.imavis.2020.103871
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。