Lensless Imaging with Compressive Ultrafast Sensing
Massachusetts Institute of Technology（麻省理工学院）
无透镜成像是一个重要且具有挑战性的问题。无透镜成像的一个值得注意的解决方案是单像素相机，它受益于压缩采样的核心思想。然而，传统的单像素相机需要许多照明图案，这导致长的采集过程。在这里，我们提出了一种基于压缩超快传感的无透镜成像方法。每个传感器采集都使用不同的照明模式进行编码，并产生时间序列，其中时间是场景中光子起源的函数。当前可用的具有皮秒时间分辨率的硬件能够在光子到达全向传感器时对光子进行时间标记。这允许与常规单像素成像相比具有显著更少图案的无透镜成像。为此，我们开发了一个框架，用于设计使用超快探测器的无透镜成像系统。我们提供了一个算法，理想的传感器的位置和优化的主动照明模式的算法。我们表明，高效的无透镜成像是可能的超快测量和压缩传感。这为新型成像架构和在无法使用镜头成像的极端情况下进行遥感铺平了道路。
2017-03-30 cs.CV
Block Compressive Sensing of Image and Video with Nonlocal Lagrangian Multiplier and Patch-based Sparse Representation
Sungkyunkwan University（成均馆大学）；Linköping University（林雪平大学）；University of Münster（明斯特大学）
虽然块压缩感知（BCS）使其易于感知大尺寸的图像和视频，其恢复性能尚未显着提高，因为其恢复的图像或视频通常遭受模糊的边缘，细节丢失，和高频振荡伪影，特别是在低子速率。本文通过设计一种改进的全变分技术来解决这些问题，该技术采用多块梯度处理，去噪拉格朗日乘子和基于补丁的稀疏表示。在视频的情况下，所提出的恢复方法是能够利用空间和时间的相似性。仿真结果证实了所提出的方法的压缩感知的图像和视频的客观和主观质量方面的改进性能。
2017-03-15 cs.CV
Compressive sensing based privacy for fall detection
Indian Institute of Technology Delhi（印度理工学院德里分校）；Indian Institute of Technology Jodhpur（印度理工学院焦特布尔分校）；CSIR-CEERI（印度科学与工业研究理事会-中央电子工程研究所）
跌倒检测在医疗保健领域具有极其重要的意义，其中及时检测允许即时医疗援助。在这种情况下，我们提出了一个3D ConvNet架构，它由用于跌倒检测的3D Inception模块组成。所提出的架构是自定义版本的膨胀3D（I3 D）架构，其将从压缩感测框架获得的视频序列的压缩测量作为时空输入，而不是如在I3 D卷积神经网络的情况下的视频序列作为输入。之所以采用这种方法，是因为隐私引起了人们对通过这些RGB摄像头进行监控的患者的极大关注。所提出的跌倒检测框架对于各种各样的测量矩阵是足够灵活的。从Kinetics-400中随机选择的10个动作类，没有跌倒的例子，被用来训练我们的3D ConvNet后压缩感知与原始视频剪辑上不同类型的传感矩阵。我们的研究结果表明，3D ConvNet的性能在不同的传感矩阵下保持不变。此外，使用Kinetics预训练的3D ConvNet在基准数据集的压缩感知跌倒视频上获得的性能优于最先进的技术。
2020-01-10 cs.CV
Compressed sensing MRI using masked DCT and DFT measurements
University of Montenegro（黑山大学）
本文提出了一种改进的压缩感知MRI图像重建的TwIST算法。压缩感知是一种新的信号处理方法，其基本思想是从少量的可用样本中恢复信号。压缩传感技术在生物医学成像中的应用具有重要意义。它允许显著降低采集时间，并且因此使患者免受MR设备的负面影响。TwIST是利用压缩感知原理进行二维信号重建的常用算法。它基于总变差最小化。TwIST的标准版本使用掩蔽的2D离散傅立叶变换系数作为压缩感知测量。在本文中，不同的面具和不同的变换域的系数选择进行了测试。一定百分比的测量值来自掩模，以及掩模外部的少量系数。使用2D DFT和2D DCT系数，与不同的掩模形状进行比较分析。实验结果证明了理论的正确性。
2015-03-25 cs.CV
The STONE Transform: Multi-Resolution Image Enhancement and Real-Time Compressive Video
压缩感知使得能够从欠采样数据重建高分辨率信号。虽然压缩方法简化了数据采集，但它们需要解决困难的恢复问题以利用所得到的测量结果。本文提出了一种新的传感框架，结合了传统传感和压缩传感的优点。使用所提出的\stone变换，测量可以立即重建在奈奎斯特速率在任何幂的2的分辨率。然后，可以使用压缩方法将相同的数据“增强”到更高的分辨率，该方法利用稀疏性来“击败”奈奎斯特极限。快速直接重建的可用性使压缩测量能够在小型嵌入式设备上处理。我们证明了这一点，通过构建一个实时的【形】压缩视频摄像机。
2013-11-15 cs.CV
Statistical Compressive Sensing of Gaussian Mixture Models
University of Minnesota（明尼苏达大学）
介绍了一种新的压缩感知（CS）框架，即统计压缩感知（SCS），其目的是有效地采样遵循统计分布的信号集合，并平均实现准确的重建。对于遵循高斯分布的信号，具有O（k）测量值的高斯或伯努利传感矩阵，远小于O（k）测量值。（k log（N/k）），其中N是信号维度，并且利用利用线性滤波实现的最优解码器，比在常规CS中应用的追踪解码器明显更快，SCS的误差以压倒性的概率被示出为由常数乘以k最佳项近似误差的严格上界。故障概率也明显小于传统CS。更强而更简单的结果进一步表明，对于任何传感矩阵，高斯SCS的误差上限是常数乘以概率为1的k-最佳项近似，并且可以有效地计算边界常数。对于高斯混合模型的信号，SCS与分段线性解码器的介绍，并示出产生比传统的CS基于稀疏模型的真实图像更好的结果。
2010-10-20 cs.CV
Total variation reconstruction for compressive sensing using nonlocal Lagrangian multiplier
School of Electrical and Computer Engineering, Sungkyunkwan University（成均馆大学电气与计算机工程学院）
全变分算法在求解压缩感知逆问题中的有效性已经得到了验证。此外，作为正则化的非局部均值滤波器更好地保留了恢复图像的纹理，但它是相当复杂的实现。本文基于拉格朗日乘子中同时存在噪声和图像信息的特点，提出了一种简单的非局部拉格朗日乘子（NLLM）方法，以降低噪声并增强有用的图像信息。实验结果表明，该算法在恢复图像的主观和客观质量上都优于其他恢复算法。
2016-08-28 cs.CV
Deep Probabilistic Unfolding for Quantized Compressive Sensing
Westlake University, School of Engineering, Hangzhou, Zhejiang, China（西湖大学工程学院，杭州，浙江，中国）；Vivo Mobile Communication Co., Ltd., Hangzhou, Zhejiang, China（Vivo移动通信有限公司，杭州，浙江，中国）
本文提出深度概率展开模型，通过展开框架提升重建精度和效率，采用闭式概率梯度投影替代传统L2投影，设计双域Mamba模块融合多尺度特征，实验证明其在量化压缩感知中的优越性能。
2026-05-12 cs.CV
DeepBinaryMask: Learning a Binary Mask for Video Compressive Sensing
Northwestern University（西北大学）
在本文中，我们提出了一种新的编码器-解码器神经网络模型，称为DeepBinaryMask的视频压缩感知。在视频压缩感测中，使用一组编码掩码（感测矩阵）来获取一个帧，从该编码掩码（感测矩阵）中重构多个视频帧，该多个视频帧的数量等于编码掩码的数量。所提出的框架是一个端到端的模型，其中感测矩阵与视频重建一起训练。编码器学习感测矩阵的二进制元素，并且解码器被训练以恢复未知的视频序列。发现当使用来自网络的经训练的感测掩码时，重建性能与其他掩码设计（诸如随机）相比在各种各样的压缩感测重建算法中得到改善。最后，我们的分析和讨论提供了深入了解训练的掩模设计的特点，导致提高重建质量。
2016-07-18 cs.CV cs.LG
Binary Fused Compressive Sensing: 1-Bit Compressive Sensing meets Group Sparsity
Instituto de Telecomunicações（电信研究所）；Instituto Superior Técnico, Technical University of Lisbon（里斯本技术大学高等技术学院）
提出了一种新的方法，{ \it二元融合压缩感知}（BFCS），从1位压缩测量恢复稀疏分段平滑信号。该算法是一个修改以前的{ \it二进制迭代硬阈值}（BIHT）算法，其中，除了稀疏约束，恢复信号的总变化是上约束。与BIHT一样，目标函数的数据项是单侧$\ell_1$（或$\ell_2$）范数。对稀疏分段光滑信号的恢复实验表明，该算法能够充分利用原始信号的分段光滑性，实现比BIHT更精确的恢复。
2014-02-20 cs.CV cs.IT math.IT
OpenICS: Open Image Compressive Sensing Toolbox and Benchmark
Arizona State University（亚利桑那州立大学）
我们提出了OpenICS，图像压缩感知工具箱，其中包括在过去十年中提出的多个图像压缩感知和重建算法。由于算法的实现和评价缺乏标准化，限制了图像压缩感知在现实世界中的应用。我们相信这个工具箱是第一个提供多个图像压缩感知算法的统一和标准化实现的框架。此外，我们还从重建精度和重建效率两个方面对该框架中包含的方法进行了基准研究。我们希望这个工具箱和基准可以服务于不断增长的压缩感知研究社区和将图像压缩感知应用于新问题的行业，以及更有效地开发新方法。代码和型号可在https://github.com/PSCLab-ASU/OpenICS上获得。该项目仍在维护中，我们将不断更新此文档。
2021-05-07 cs.CV cs.LG eess.IV
Compressive Sensing Approaches for Autonomous Object Detection in Video Sequences
The University of Sheffield（谢菲尔德大学）
视频分析需要处理大量数据。压缩感测允许使用原始信号的稀疏性的先验知识来减少表示视频所需的测量的数量，但是它对设计矩阵施加了某些条件。贝叶斯压缩感知方法放宽了使用概率推理的传统方法的限制，并允许包括关于信号结构的不同先验知识。本文提出了两种贝叶斯压缩感知方法的自主目标检测的视频序列从静态摄像机。在真实数据集上与非贝叶斯贪心算法进行了性能比较。结果表明，贝叶斯方法可以提供相同的精度的贪心算法，但更快，或者如果计算时间不是关键的，他们可以提供更准确的结果。
2017-04-27 cs.CV stat.ML
Object tracking in video signals using Compressive Sensing
University of Montenegro（黑山大学）
减少视频信号中的像素数量，同时保持所需的质量，恢复使用压缩传感的对象的轨迹是这项工作的主要课题。来自包含移动对象的视频的帧的质量通过在每次迭代中保持不同数量的像素而逐渐降低，从45%一直到1%。利用该算法跟踪目标，结果令人满意，并显示在轨迹图，从原始和重建的视频中获得的变化。
2019-02-08 cs.CV cs.MM
Robust Binary Fused Compressive Sensing using Adaptive Outlier Pursuit
我们提出了一种新的方法，{ \it鲁棒二进制融合压缩感知}（RoBFCS），从1位压缩测量恢复稀疏分段平滑信号。该方法是对基于{ \it二元迭代硬阈值}（BIHT）算法的{\it二元融合压缩感知}（BFCS）算法的改进。与BIHT一样，目标函数的数据项是单侧$\ell_1$（或$\ell_2$）范数。实验结果表明，该算法能够充分利用原始信号的分段平滑性，检测并纠正符号翻转，比BFCS和BIHT算法恢复得更准确。
2014-03-20 cs.CV cs.IT math.IT
Video Compressive Sensing for Dynamic MRI
Rice University（莱斯大学）；UCLA（加州大学洛杉矶分校）；Carnegie Mellon University（卡内基梅隆大学）
我们提出了一个视频压缩感知框架，称为kt-CSLDS，以加速动态磁共振成像（MRI）的图像采集过程。我们的灵感来自一个国家的最先进的视频压缩感知模型，利用线性动态系统（LDS）的运动流形建模。给定压缩测量，可以首先使用系统辨识技术来估计LDS的状态序列。然后，我们使用联合结构稀疏性假设重建观测矩阵。特别是，我们最小化的目标函数的小波稀疏性和联合稀疏性的观察矩阵内的混合物。利用交替方向乘子法（ADMM）得到了一个有效的凸优化算法，并给出了全局收敛性的理论保证。我们证明了我们的视频压缩感知方法的性能，在重建精度方面。我们还调查了各种抽样策略的影响。我们应用这个框架来加速动态MRI的采集过程，并表明它与文献中现有的算法相比，以最少的计算时间实现了最佳的重建精度。
2014-02-01 cs.CV math.OC
Reinforcement Learning for Adaptive Video Compressive Sensing
Wayne State University（韦恩州立大学）；Nokia Bell Labs（诺基亚贝尔实验室）；Northwestern University（西北大学）
我们将强化学习应用到视频压缩感知中，以适应压缩比。具体而言，视频快照压缩成像（SCI），它使用低速相机捕获高速视频被认为是在这项工作中，其中多个（B）视频帧可以从快照测量重建。在以往的研究中，一个研究空白是如何适应不同场景的视频SCI系统中的B。在本文中，我们利用强化学习（RL）填补了这一空白。学习RL模型以及用于重构的各种卷积神经网络以实现视频SCI系统的自适应感测。此外，目标检测网络的性能直接使用视频SCI测量而无需重构，也用于执行基于RL的自适应视频压缩感测。因此，我们提出的自适应SCI方法可以在低成本和实时的实施。我们的工作使该技术向视频SCI的实际应用又迈进了一步。
2021-05-18 cs.AI cs.CV
Review of Algorithms for Compressive Sensing of Images
Hebrew University of Jerusalem（希伯来大学）
我们提供了一个全面的审查经典算法的图像的压缩感知，集中在总变分方法，以期在激光雷达系统中的应用。我们的主要重点是为该领域的初学者提供全面的回顾，以及模拟真实LiDAR系统中的噪声。为此，我们提供了一个概述的理论背景，在压缩感知中发挥作用的各种考虑因素的简要讨论，和现成的方法的标准化比较，旨在作为一个快速入门指南选择算法的压缩感知应用。
2019-08-05 cs.CV cs.LG eess.IV
A Parallel Compressive Imaging Architecture for One-Shot Acquisition
Politecnico di Torino（都灵理工大学）
许多压缩成像架构的限制在于感测过程的顺序性质，这导致长的感测时间。在本文中，我们提出了一种新的架构，使用较少的检测器比重建像素的数量，并能够在一个单一的收购收购的图像。这为开发每秒采集几帧的视频架构铺平了道路。我们具体解决衍射问题，示出通常用于恢复衍射模糊的去卷积可以由感测矩阵的卷积代替，以及0/1物理感测矩阵的测量如何可以被转换为-1/1压缩感测矩阵而无需任何额外的采集。我们的架构的模拟表明，图像质量是一个经典的压缩成像相机，而建议的架构避免了长采集时间，由于顺序感测。这种单次过程还允许采用固定的感测矩阵，而不是复杂的设备，例如数字微镜阵列或空间光调制器。它还能够在带宽效率不高的情况下进行成像。
2013-11-04 astro-ph.IM cs.CV
ICRICS: Iterative Compensation Recovery for Image Compressive Sensing
Yangzhou University（扬州大学）；Institut Supérieur d'Électronique de Paris（巴黎高等电子学院）；Sorbonne University（索邦大学）；Polytechnique Montreal（蒙特利尔理工学院）；Westlake University（西湖大学）
闭环结构在自动控制系统中得到了广泛的应用，并取得了优异的性能。然而，经典的压缩传感系统采用具有分离的采样和重构单元的开环架构。为此，在传统压缩感知系统中引入闭环框架，提出了一种图像压缩感知迭代补偿恢复方法。该方法在现有方法的基础上，通过增加负反馈结构，提高了重建性能。对压缩传感系统的负反馈进行了理论分析。文中还给出了该方法有效性的近似数学证明。在3个以上图像数据集上的仿真实验表明，该方法的重建性能优于10种竞争方法。在一个数据集上，平均峰值信噪比的最大增量为4.36 dB，平均结构相似性的最大增量为0.034。该方法基于负反馈机制，可以有效地纠正现有图像压缩感知系统中的恢复误差。
2022-07-19 cs.CV cs.LG eess.IV
Error Resilient Deep Compressive Sensing
Sungkyunkwan University（成均馆大学）；Linkoping University（林雪平大学）
压缩感知（CS）是一种新兴的采样技术，能够从测量的子集甚至损坏的测量中重建信号。基于深度学习的压缩感知（DCS）在保持快速重建的同时提高了CS性能，但需要针对每个测量速率的训练网络。此外，关于测量丢失的传输方案，DCS无法恢复原始信号。因此，它不能保持错误恢复特性。在这项工作中，我们提出了一个鲁棒的深度重建网络，以保持随机测量丢失的假设下的错误弹性。测量丢失层用来模拟端到端框架中的测量丢失。
2019-11-28 cs.CV cs.LG eess.IV
Compression, Restoration, Re-sampling, Compressive Sensing: Fast Transforms in Digital Imaging
Tel Aviv University（特拉维夫大学）
变换图像处理方法是在诸如离散傅立叶、离散余弦、小波等的图像变换域中工作的方法。它们是图像压缩、图像复原、图像重采样和几何变换中的基本工具，可以追溯到20世纪70年代初。本文介绍了这些方法的审查，重点是他们的比较和关系，从变换图像压缩方法的第一步，自适应和局部自适应变换域滤波器的图像复原，精确的图像重采样和图像重建的稀疏样本的方法和“压缩感知”的方法，在过去的几年里已经得到普及。这篇评论具有辅导性质和目的。
2014-08-27 cs.CV physics.optics
Scalable Deep Compressive Sensing
University of Electronic Science and Technology of China（电子科技大学）；Shanghai Jiao Tong University（上海交通大学）
深度学习已被用于图像压缩感知（CS）以增强重建性能。然而，大多数现有的深度学习方法针对不同的子采样率训练不同的模型，这带来了额外的硬件负担。在本文中，我们开发了一个名为可扩展深度压缩感知（SDCS）的通用框架，用于所有现有端到端训练模型的可扩展采样和重建（SSR）。在所提出的方法中，图像被线性地测量和初始化。引入两个采样掩码，分别灵活地控制采样和重构中使用的子采样率。为了使重建模型适应任意的子采样率，提出了一种可扩展训练策略。在可扩展训练中，通过集成不同的采样矩阵掩码，以不同的子采样率使用采样矩阵和初始化矩阵来训练模型。实验结果表明，SDCS模型可以在不改变模型结构的情况下实现SSR，同时保持良好的性能，SDCS优于其他SSR方法。
2021-01-22 cs.CV eess.IV
Compressive Sensing with Tensorized Autoencoder
University of California Riverside（加州大学河滨分校）
深度网络可以被训练成将图像映射到低维的潜在空间。在许多情况下，集合中的不同图像是彼此的铰接版本;例如，具有不同照明、背景或姿势的相同对象。此外，在许多情况下，部分图像可能会被噪声或丢失的条目损坏。在本文中，我们的目标是恢复图像，而无需访问地面实况（干净）的图像，使用关节作为数据的结构先验。这样的恢复问题属于压缩感测的领域。我们建议在嵌入空间上使用张量环分解来学习自动编码器，以对数据施加结构约束。特别是，我们在自动编码器的瓶颈层中使用张量环结构，该结构利用结构化数据集的软标签。我们经验证明了所提出的方法的有效性，修复和去噪应用。所得到的方法实现了更好的重建质量相比，其他生成的基于先验的自监督恢复方法的压缩感知。
2023-03-10 cs.CV cs.LG
Adaptive low rank and sparse decomposition of video using compressive sensing
Rutgers University（罗格斯大学）；Bell Labs（贝尔实验室）；National University of Singapore（新加坡国立大学）；Rice University（莱斯大学）
我们解决的问题，重建和分析监控视频使用压缩感知。我们提出了一种新的方法，进行视频重建的低秩和稀疏分解自适应。背景减除成为重建的一部分。在我们的方法中，使用背景模型，其中背景是自适应学习的压缩测量进行处理。自适应方法具有低延迟，并且比以前的方法更鲁棒。我们将提出实验结果来证明所提出的方法的优点。
2013-05-31 cs.CV cs.IT math.IT
Fully Convolutional Measurement Network for Compressive Sensing Image Reconstruction
Xidian University（西安电子科技大学）
最近，深度学习方法在压缩感知图像重建任务中取得了显著的进步。在现有的方法中，由于高的计算复杂性，场景是逐块测量的。这导致恢复的图像的块效应。在本文中，我们提出了一个完全卷积的测量网络，其中场景作为一个整体进行测量。该方法保留了场景图像的结构信息，有效地消除了块效应。为了使测量更灵活，测量和恢复部分联合训练。实验结果表明，该方法在PSNR、SSIM和视觉效果等方面均优于现有方法。
2018-05-29 cs.CV cs.LG
Adaptive Temporal Compressive Sensing for Video
Duke University（杜克大学）
本文介绍了视频自适应时域压缩感知的概念。我们提出了一种CS算法，以适应压缩比的基础上，从压缩数据计算场景的时间复杂度，而不影响重建视频的质量。通过操纵相机的积分时间来表现时间自适应性，从而为实时实现提供了可能性。所提出的算法是一个广义的时间CS方法，可以与现有的硬件系统的不同集合。
2013-10-15 cs.CV cs.MM stat.AP
Compressive Sensing of Sparse Tensors
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；PARC, Xerox Corporation（施乐公司帕洛阿尔托研究中心）
压缩感知（CS）自首次出现以来，引发了大量的研究活动。CS利用信号在特定域中的稀疏性或可压缩性，并集成了数据压缩和采集，从而允许通过相对较少的非自适应线性测量进行精确重建。虽然传统的CS理论依赖于向量形式的数据表示，但在各种应用中，例如彩色成像、视频序列和多传感器网络中的许多数据类型本质上由高阶张量表示。CS到高阶数据表示的应用通常通过将数据转换为必须使用非常大的采样矩阵测量的非常长的向量来执行，从而施加巨大的计算和存储负担。在本文中，我们提出了广义张量压缩感知（GTCS）-高阶张量的压缩感知的统一框架，它保留了张量数据的内在结构，降低了重建时的计算复杂性。GTCS提供了一种有效的手段，通过提供同时采集和压缩所有张量模式的多维数据的表示。此外，我们提出了两种重建方法，串行方法（GTCS-S）和并行方法（GTCS-P）。然后，我们比较了所提出的方法与克罗内克压缩感知（KCS）和多路压缩感知（MWCS）的性能。我们通过实验证明，GTCS在重建精度（在一定压缩比范围内）和处理速度方面都优于KCS和MWCS。我们的方法（以及MWCS）的主要缺点是压缩比可能比KCS提供的压缩比更差。
2014-09-03 cs.CV cs.IT math.IT
Surveillance Video Processing Using Compressive Sensing
Bell Labs, Alcatel-Lucent（贝尔实验室，阿尔卡特朗讯）；Rice University（莱斯大学）
提出了一种基于压缩感知的监控视频背景分割和运动目标提取方法，该方法将监控视频图像帧组成的矩阵分解为低秩稀疏矩阵。该方法通过压缩测量获取视频，并利用压缩测量对矩阵进行低秩稀疏分解重构视频。低秩分量表示背景，稀疏分量用于识别监控视频中的运动对象。分解是由增广拉格朗日交替方向法。实验表明，运动目标可以可靠地提取与少量的测量。
2013-02-08 cs.CV cs.IT math.IT
Fast Compressive Sensing Recovery Using Generative Models with Structured Latent Variables
Georgia Institute of Technology（佐治亚理工学院）
深度学习模型显著提高了压缩感知恢复的视觉质量和准确性。在本文中，我们提出了一种算法，从压缩测量与图像先验捕获的生成模型的信号重建。我们搜索和约束的潜变量空间，使该方法稳定的压缩测量的数量是非常有限的。我们表明，通过利用某些结构的潜变量，所提出的方法产生改进的重建精度，并保留现实和非光滑的图像特征。该算法通过在原始信号空间和隐变量空间之间进行交替投影，实现了较高的计算速度。
2020-03-19 cs.CV cs.LG stat.ML
A new compressive video sensing framework for mobile broadcast
Rice University（莱斯大学）
提出了一种新的基于压缩采样的视频编码方法。在该方法中，使用对视频立方体的压缩测量来编码视频。视频重建是通过最小化沿时间方向的像素级DCT系数的总变差（TV）来执行的。TVAL 3是一种基于交替最小化和增广拉格朗日方法的有效TV最小化算法，本文在此基础上提出了一种新的重建算法。该方法的视频编码具有固有的可伸缩性，并在移动广播中有应用。
2013-02-08 cs.CV cs.IT cs.MM
