CS-MCNet:A Video Compressive Sensing Reconstruction Network with Interpretable Motion Compensation
本文提出了一种具有可解释运动补偿的深度神经网络CS-MCNet，用于实现视频压缩感知的高质量实时解码。首先，在我们的网络中应用显式多假设运动补偿来提取相邻帧的相关信息（如图1所示），这提高了恢复性能。然后，残差模块进一步缩小重建结果与原始信号之间的差距。整个架构是可解释的，通过使用算法展开，这带来的好处是能够转移有关传统算法的先验知识。因此，在64倍压缩比下可以实现22 dB的PSNR，比现有技术方法高出约4%至9%。此外，由于前馈架构，我们的网络可以实时处理重建，比传统的迭代方法快三个数量级。
2020-10-08 eess.IV
Compressive Imaging Reconstruction via Tensor Decomposed Multi-Resolution Grid Encoding
School of Mathematics and Statistics, Xi’an Jiaotong University（西安交通大学数学与统计学学院）；School of Mathematical Science, University of Electronic Science and Technology of China（电子科技大学数学科学学院）
提出张量分解多分辨率网格编码（GridTD）无监督连续表示框架，通过结合多分辨率网格编码与张量分解优化轻量级神经网络，有效且高效地实现高维图像压缩成像重建。
2025-07-10 cs.CV eess.IV
Single-Pixel Image Reconstruction Based on Block Compressive Sensing and Deep Learning
Monash University Malaysia（马来西亚莫纳什大学）；Changchun University of Science and Technology（长春理工大学）；Colorado State University（科罗拉多州立大学）
单像素成像（SPI）是一种基于压缩感知（CS）理论的新型成像技术。在SPI中，通过一系列压缩测量获得数据，并重建相应的图像。通常，诸如基追踪的重建算法依赖于图像中的稀疏性假设。然而，深度学习的最新进展已经在重建CS图像中找到了它的用途。尽管在模拟中显示出有希望的结果，但通常不清楚如何在实际的SPI设置中实现这种算法。在本文中，我们展示了深度学习结合块压缩感知（BCS）在SPI图像重建中的应用。我们还提出了一种新的基于卷积神经网络的重建模型，该模型优于其他竞争对手的CS重建算法。此外，通过将BCS纳入我们的深度学习模型，我们能够重建超过某个最小图像尺寸的任何尺寸的图像。此外，我们还证明了我们的模型能够重建从SPI设置中获得的图像，同时预先在自然图像上进行训练，这可能与SPI图像有很大的不同。这为预训练的深度学习模型用于不同领域图像的CS重建提供了可行性。
2022-07-14 cs.CV eess.IV
Unsupervised Spatial-spectral Network Learning for Hyperspectral Compressive Snapshot Reconstruction
Nanjing University of Information Science and Technology（南京信息工程大学）；National University of Singapore（新加坡国立大学）
高光谱压缩成像利用压缩感知理论，无需时间扫描即可实现编码孔径快照测量，在单个积分周期内通过二维投影获取整个三维空间-光谱数据。其核心问题是如何利用压缩感知重建算法重建底层高光谱图像。由于不同光谱成像设备的光谱响应特性和波长范围的差异，以前的工作往往不足以捕捉复杂的光谱变化或缺乏对新的高光谱成像仪的适应能力。为了解决这些问题，我们提出了一个无监督的空间光谱网络重建高光谱图像只从压缩快照测量。所提出的网络作为一个条件生成模型的条件下的快照测量，它利用空间光谱注意模块来捕捉联合空间光谱相关的高光谱图像。通过对网络参数的优化，使网络输出与给定的快照测量值紧密匹配，从而使网络能够适应不同的成像设置，增强了网络的适用性。在多个数据集上的大量实验表明，我们的网络可以实现比最先进的方法更好的重建结果。
2021-07-31 cs.CV eess.IV
Reconstruction of Compressively Sensed Images using Convex Tikhonov Sparse Dictionary Learning and Adaptive Spectral Filtering
使用过完备字典的稀疏表示已经显示出在各种图像处理任务中产生良好质量的结果。字典学习算法使得设计数据自适应字典成为可能，在图像压缩和图像增强中有很好的应用前景。最常见的稀疏字典学习算法分别使用匹配追踪和K-SVD迭代技术进行稀疏编码和字典学习。虽然这种技术产生良好的结果，但它需要大量的迭代来收敛到最优解。在这篇文章中，我们使用了一个封闭的形式稳定的凸优化技术的稀疏编码和字典学习。该方法的结果在提供最好的可能的字典和稀疏表示导致最小的重建误差。一旦从压缩感知的样本中重建图像，我们就使用自适应频率和空间滤波技术来实现精确的图像恢复。从结果可以清楚地看出，所提出的算法提供了更好的重建结果比传统的稀疏字典技术为一个固定的迭代次数。相反，取决于图像中存在的细节的数量，所提出的算法达到了最佳的解决方案，具有显着较低的迭代次数。因此，我们的压缩感知框架使用所提出的算法，获得高的PSNR和低的MSE。
2019-11-07 eess.IV
Structure Preserving Compressive Sensing MRI Reconstruction using Generative Adversarial Networks
IIT Roorkee（印度理工学院鲁尔基分校）；IIT Kharagpur（印度理工学院克勒格布尔分校）
压缩感知磁共振成像（CS-MRI）通过突破奈奎斯特采样限制来加速MR图像的采集。在这项工作中，提出了一种新的生成对抗网络（GAN）为基础的框架CS-MRI重建。我们的模型结合了基于块的重构和基于结构相似性指数的损失，专注于保留重构图像中的高频内容和精细纹理细节。密集和剩余的连接已被纳入一个U型网络为基础的发电机架构，以允许更容易的信息传输以及可变的网络长度。我们表明，我们的算法优于国家的最先进的方法在重建的质量和鲁棒性噪声。此外，毫秒级的重建时间使其非常适合实时临床使用。
2020-04-26 cs.CV cs.LG eess.IV
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
Attention-guided Image Compression by Deep Reconstruction of Compressive Sensed Saliency Skeleton
Shanghai Jiao Tong University（上海交通大学）
我们提出了一个深度学习系统，用于注意力引导的双层图像压缩（AGDL）。在AGDL压缩系统中，图像被编码成两层，基本层和注意力引导细化层。与现有的ROI图像压缩方法不同，AGDL采用CNN模块来预测ROI内对感知质量至关重要的显著性草图上和附近的那些像素。只有关键像素通过压缩感测（CS）进一步采样以形成非常紧凑的细化层。开发了另一种新颖的CNN方法来联合解码两个压缩层以进行更精细的重建，同时严格满足对感知关键像素的传输CS约束。大量的实验表明，所提出的AGDL系统先进的感知图像压缩的艺术状态。
2021-03-29 cs.CV eess.IV
Ensemble learning priors unfolding for scalable Snapshot Compressive Sensing
快拍压缩成像（SCI）可以通过二维测量记录三维信息，并从该二维测量通过重建算法重建原始三维信息。我们可以看到，重建算法在SCI中起着至关重要的作用。近年来，深度学习算法显示出其卓越的能力，优于传统算法。因此，提高深度学习算法重构精度是SCI不可避免的课题。此外，深度学习算法通常受到可扩展性的限制，并且如果缺乏新的训练过程，通常训练良好的模型无法应用于新系统。为了解决这些问题，我们开发了集成学习先验，以进一步提高重建精度，并提出了可扩展学习，使深度学习具有与传统算法一样的可扩展性。更重要的是，我们的算法已经取得了国家的最先进的结果，优于现有的算法。仿真和真实数据集上的大量结果表明了我们所提出的算法的优越性。代码和模型将向公众发布。
2022-08-20 eess.IV
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
LR-CSNet: Low-Rank Deep Unfolding Network for Image Compressive Sensing
University of Electronic Science and Technology of China（电子科技大学）；University of Copenhagen（哥本哈根大学）
深度展开网络（DUN）已被证明是压缩感知（CS）的一种可行方法。在这项工作中，我们提出了一个DUN称为低秩CS网络（LR-CSNet）的自然图像CS。真实世界的图像块通常由低秩近似很好地表示。LR-CSNet通过在CS优化任务之前添加低秩来利用此属性。我们推导出一个相应的迭代优化过程，使用变量分裂，然后将其转换为一个新的DUN架构。该架构使用低秩生成模块（LRGMs），学习低秩矩阵分解，以及梯度下降和邻近映射（GDPMs），提出提取高频特征以细化图像细节。此外，在DUN中的每个重建阶段生成的深度特征在各阶段之间转移以提高性能。我们在三个广泛考虑的数据集上进行的广泛实验表明，与自然图像CS中的最先进方法相比，LR-CSNet具有良好的性能。
2022-12-18 cs.CV eess.IV
Spectral Compressive Imaging Reconstruction Using Convolution and Contextual Transformer
University of Chinese Academy of Sciences（中国科学院大学）；Westlake University（西湖大学）
针对光谱压缩成像重建算法耗时长、细节恢复差的问题，提出CCoT块并嵌入深度展开框架构建GAP-CCoT网络，显著提升了重建质量与运行效率。
2023-07-02 cs.CV eess.IV
Key frames assisted hybrid encoding for photorealistic compressive video sensing
快照压缩成像（SCI）将高速场景视频编码为快照测量，然后通过计算进行重建，从而实现高效的高维数据采集。人们正在研究许多算法，包括基于正则化的优化和深度学习，以提高重建质量，但它们仍然受到标准SCI范式的不适定和信息不足性质的限制。为了克服这些缺点，我们提出了一种新的关键帧辅助的混合编码模式的压缩视频传感，称为KH-CVS，交替捕捉短曝光的关键帧，而不编码和长曝光编码的压缩帧，共同重建逼真的视频。通过使用光流和空间扭曲，构建了一个深度卷积神经网络框架，以整合这两种类型帧的优点。大量的实验模拟和真实数据，我们开发的原型验证了所提出的方法的优越性。
2022-07-26 eess.IV
Hierarchical Interactive Reconstruction Network For Video Compressive Sensing
Harbin Institute of Technology（哈尔滨工业大学）；People's Daily Online（人民网）；ChongQing Research Institute of HIT（哈尔滨工业大学重庆研究院）
本文提出HIT-VCSNet，通过空间域分层特征提取和时间域分层交互机制协同利用时空深度先验，显著提升视频压缩感知重建质量，性能大幅超越现有最先进方法。
2023-04-15 cs.CV eess.IV
Two-Stage is Enough: A Concise Deep Unfolding Reconstruction Network for Flexible Video Compressive Sensing
Computer Network Information Center, Chinese Academy of Science（中国科学院计算机网络信息中心）；University of Chinese Academy of Sciences（中国科学院大学）；Westlake University（西湖大学）
本文研究了深度展开/滚动结构下的视频压缩感知重构问题。然而，我们的目标是建立一个灵活和简洁的模型，使用最少的阶段。与现有的用于逆问题的深度展开网络不同，其中使用更多的阶段以获得更高的性能，但对不同的掩码和尺度没有灵活性，因此，我们证明了2阶段深度展开网络可以导致最先进的（SOTA）结果（与单阶段模型相比，PSNR增益为1.7dB，RevSCI）。由于深度展开的优点，所提出的方法具有适应新掩码的特性，并且可以扩展到大数据而无需任何额外的训练。此外，我们扩展了所提出的模型进行联合重建和去马赛克。实验结果表明，本文提出的两阶段模型也实现了SOTA彩色图像重建，与基于即插即用框架的SOTA算法相比，PSNR提高了2.3dB以上，重建速度提高了17倍以上。此外，我们还发现，我们的网络也是灵活的掩模调制和规模大小的颜色重建，使一个单一的训练网络可以应用于不同的硬件系统。代码和模型将向公众发布。
2022-01-21 cs.CV eess.IV
Multi-Scale Deep Compressive Imaging
Sungkyunkwan University（成均馆大学）；Osaka University（大阪大学）
最近，基于深度学习的压缩成像（DCI）在重建质量和更快的运行时间方面已经超过了传统的压缩成像。虽然多尺度显示出优于单尺度的性能，但DCI的研究仅限于单尺度采样。尽管使用单尺度图像进行训练，但DCI倾向于类似于传统的多尺度采样的低频分量，特别是在低子速率下。从这个角度来看，网络更容易通过多尺度采样架构学习多尺度特征。在这项工作中，我们提出了一个多尺度深度压缩成像（MS-DCI）框架，该框架联合学习在多尺度上分解，采样和重建图像。提出了一种三阶段的端到端训练方案，包括初始和两个增强重建阶段，以证明多尺度采样的效率，并进一步提高重建性能。我们分析了分解方法（包括金字塔、小波和尺度空间）、采样矩阵和测量，并展示了MS-DCI的经验优势，它始终优于传统方法和基于深度学习的方法。
2020-08-03 cs.CV eess.IV
A Simple and Efficient Reconstruction Backbone for Snapshot Compressive Imaging
Santa Clara University（圣克拉拉大学）；ETH Zürich（苏黎世联邦理工学院）；Westlake University（西湖大学）；Northeastern University（东北大学）
快照压缩成像（SCI）的新兴技术使得能够以有效的方式捕获高维（HD）数据。它通常由两个组件实现：将HD信号压缩为2D测量的光学编码器和在硬件编码测量时检索HD数据的算法解码器。在广泛的SCI应用中，高光谱成像（HSI）和视频压缩感知近年来受到了极大的研究关注。在现有的SCI重建算法中，基于深度学习的方法因其良好的性能和高效的推理而脱颖而出。然而，深度重建网络可能会遭受过大的模型大小和高度专业化的网络设计，这不可避免地导致昂贵的训练时间，高内存使用和有限的灵活性，从而阻碍了SCI系统在实际场景中的部署。在本文中，我们提出了一种简单而高效的重建方法，即堆叠残差网络（SRN），通过重新审视具有嵌套结构和空间不变属性的残差学习策略来解决上述挑战。与现有网络相比，建议的SRN使高保真数据检索具有更少的计算操作和可忽略的模型大小，并且还可以作为适用于高光谱和视频数据的通用骨干。在此基础上，我们首先提出了信道注意增强的SRN（CAE-SRN），以探索HSI中细粒度空间估计的谱相关性。然后，我们采用SRN作为深度去噪器，并将其纳入广义交替投影（GAP）框架-导致GAP-SRN -来处理视频压缩感知任务。实验结果表明，所提出的SRN在两个SCI应用程序上具有最先进的性能和高计算效率。
2022-02-02 cs.CV eess.IV
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
A Fast Algorithm for Low Rank + Sparse column-wise Compressive Sensing
针对低秩加稀疏逐列压缩感知的矩阵恢复问题，提出一种名为AltGDmin-LR+S的基于梯度下降的快速算法，该算法内存与通信效率高，经仿真研究验证了其性能。
2023-11-07 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
Learning Nonlocal Sparse and Low-Rank Models for Image Compressive Sensing
压缩感知（CS）方案利用比Nyquist-Shannon采样定理建议的少得多的测量来精确地重建图像，这在计算成像领域引起了相当大的关注。经典的图像压缩算法采用解析变换或基进行稀疏化，而基于学习的方法近年来越来越流行。这些方法可以通过优化图像块的稀疏表示或学习深度神经网络来有效地对图像块的结构进行建模，同时保留已知或建模的感测过程。除了利用局部图像属性之外，高级CS方案还采用非局部图像建模，通过在图像的不同位置处提取相似或高度相关的补丁来形成一组以联合处理。最近的基于学习的CS方案使用组稀疏表示（GSR）和/或低秩（LR）建模来应用非局部结构化稀疏先验，这在各种计算成像和图像处理应用中已经证明了有前途的性能。本文回顾了近年来在图像压缩感知任务中的一些研究成果，重点介绍了基于GSR和LR的图像压缩感知方法。此外，我们提出了一个统一的框架，将各种GSR和LR模型，并讨论GSR和LR模型之间的关系。最后，我们讨论了该领域的开放问题和未来的发展方向。
2022-10-25 eess.IV
Various Total Variation for Snapshot Video Compressive Imaging
Bell Labs（贝尔实验室）
由于传感器的可用性有限，对高维图像进行采样具有挑战性;在这些情况下通常需要扫描。为了缓解这一挑战，提出了快照压缩成像（SCI），以使用2D传感器（检测器）捕获高维（通常为3D）图像。通过新颖的光学设计，由传感器捕获的{ \em测量}是3D期望信号的多个帧的编码图像。在此之后，重建算法被用来检索高维数据。虽然已经提出了各种算法，基于总变分（TV）的方法仍然是最有效的一个，由于计算时间和性能之间的良好权衡。本文的目的是回答这个问题的电视惩罚（各向异性电视，各向同性电视和矢量化电视）最适合视频SCI重建？各种电视去噪和投影算法的开发和测试模拟和真实数据集上的视频SCI重建。
2020-05-16 cs.CV eess.IV
Measuring Robustness in Deep Learning Based Compressive Sensing
深度神经网络提供了最先进的准确性，可以从少量和嘈杂的测量中重建图像，这是加速磁共振成像（MRI）中出现的一个问题。然而，最近的工作引起了人们的担忧，即基于深度学习的图像重建方法对扰动敏感，并且不如传统方法鲁棒：神经网络（i）可能对小的但不利的扰动敏感，（ii）可能在分布偏移下表现不佳，（iii）可能无法恢复图像中小但重要的特征。为了了解这种扰动的敏感性，在这项工作中，我们测量的鲁棒性的不同方法的图像重建，包括训练和未训练的神经网络以及传统的基于稀疏性的方法。我们发现，与以前的作品相反，训练和未训练的方法都容易受到对抗性扰动的影响。此外，针对特定数据集调整的训练和未训练方法都受到分布偏移的影响。最后，我们证明了一个图像重建方法，实现更高的重建质量，也表现出更好的精确恢复细节。我们的结果表明，最先进的基于深度学习的图像重建方法比传统方法提供了更好的性能，而不影响鲁棒性。
2021-06-11 eess.IV
MetaSCI: Scalable and Adaptive Reconstruction for Video Compressive Sensing
Xidian University（西安电子科技大学）；Bell Labs（贝尔实验室）
为了使用二维检测器捕获高速视频，视频快照压缩成像（SCI）是一种很有前途的系统，其中视频帧通过不同的掩码编码，然后压缩成快照测量。在此之后，需要有效的算法来重建高速帧，其中最先进的结果是通过深度学习网络实现的。然而，这些网络通常针对特定的小规模掩码进行训练，并且通常对训练时间和GPU内存有很高的要求，因此对于具有相同大小的新掩码\bf和较大规模掩码\em来说，这是不灵活的。我们通过开发用于SCI重建的Meta调制卷积网络来解决这些挑战，称为MetaSCI。MetaSCI由用于不同掩码的共享骨干和轻量元调制参数组成，所述轻量元调制参数演进为用于每个掩码的不同调制参数，因此具有{ \bf \em快速适应}新掩码（或系统）的特性，并且准备好{ \bf \em扩展到大数据}。大量的仿真和实际数据结果表明，我们所提出的方法的优越性能。我们的代码位于{ \small \url{https://github.com/xyvirtualgroup/MetaSCI-CVPR2021} }。
2021-03-02 cs.CV eess.IV
AMP-Net: Denoising based Deep Unfolding for Compressive Image 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）
大多数压缩感知（CS）重建方法可以分为两类，即基于模型的方法和经典的深度网络方法。通过将基于模型方法的迭代优化算法展开到网络上，深度展开方法既具有基于模型方法的良好解释性，又具有经典深度网络方法的高速性。在本文中，为了解决视觉图像CS问题，我们提出了一个称为AMP-Net的深度展开模型。它不是学习正则化项，而是通过展开众所周知的近似消息传递算法的迭代去噪过程来建立的。此外，AMP-Net集成了去块效应模块，以消除视觉图像CS中通常出现的块效应。此外，采样矩阵与其他网络参数联合训练，以提高重建性能。实验结果表明，该方法具有重建速度快、网络参数少等优点，重建精度优于其他方法。
2021-01-22 cs.CV eess.IV
Compressive MR Fingerprinting reconstruction with Neural Proximal Gradient iterations
University of Edinburgh（爱丁堡大学）；University of Bath（巴斯大学）
与物理正演模型的预测的一致性是可靠地解决反问题的关键。这种一致性在当前针对磁共振指纹（MRF）问题提出的端到端深度学习方法中大多是不受控制的。为了解决这个问题，我们提出了ProxNet，这是一个学习的近端梯度下降框架，它直接将前向采集和Bloch动态模型结合在循环学习机制中。ProxNet采用紧凑的神经近似模型进行去混叠和定量推理，可以在稀缺的MRF训练数据集上灵活训练。我们的数值实验表明，ProxNet可以实现卓越的定量推理准确性，更小的存储需求，以及与最近的深度学习MRF基线相当的运行时间，同时比字典匹配方案快得多。代码已在https://github.com/edongdongchen/PGD-Net上发布。
2020-07-06 cs.CV eess.IV
Time-domain terahertz compressive imaging
我们提出了一种实现的单像素成像方法到太赫兹（THz）时域光谱（TDS）系统。我们证明了间接相干重建太赫兹时间波形在每个空间位置的对象，而不需要机械光栅扫描。首先，我们利用这种时间信息来实现（远场）飞行时间图像。此外，作为概念的证明，我们应用典型的压缩感知算法来演示图像重建，其所需测量值小于总测量值的50%。最后，通过重建具有太赫兹吸收线的物体的光谱图像，也证明了对频域的访问。单像素成像与压缩感知算法的组合允许降低当前THz-TDS成像系统的复杂度和采集时间。
2019-11-25 eess.IV physics.optics
Nonconvex ${L_ {1/2}} $-Regularized Nonlocal Self-similarity Denoiser for Compressive Sensing based CT Reconstruction
Hunan University of Science and Technology（湖南科技大学）；Nanjing First Hospital, Nanjing Medical University（南京医科大学附属南京第一医院）；University of Macau（澳门大学）；Nanjing University of Posts and Telecommunications（南京邮电大学）
基于压缩感知的计算机断层摄影（CT）图像重建旨在通过稀疏视图投影数据来降低辐射风险。从不完全投影中获得令人满意的图像质量通常具有挑战性。近年来，非凸${L_ {1/2}} $ -范数在稀疏恢复方面取得了很好的效果，但由于其非凸性，在成像方面的应用并不令人满意。本文提出了一种基于${L_ {1/2}} $的正则化非局部自相似（NSS）算法，该算法将低秩近似与组稀疏编码（GSC）框架相结合，用于CT重建问题。具体地说，我们首先将CT重建问题分解为两个子问题，然后使用我们的${L_ {1/2}} $正则化NSS去噪器进一步提高CT图像质量。我们不是从GSC的角度优化非凸问题，而是基于两个简单而重要的方案，通过低秩最小化来重建CT图像，这两个方案建立了基于GSC的去噪器和低秩最小化之间的等价关系。进一步，加权奇异值阈值（WSVT）算子被用来优化得到的非凸${L_ {1/2}} $最小化问题。在此之后，我们提出的去噪集成与CT重建问题的交替方向乘法器（ADMM）框架。在典型临床CT图像上的大量实验结果表明，我们的方法可以进一步实现比流行的方法更好的性能。
2022-05-15 cs.CV eess.IV
A Range-Null Space Decomposition Approach for Fast and Flexible Spectral Compressive Imaging
Huazhong University of Science & Technology（华中科技大学）；Wuhan Jingce Electronic Group（武汉精测电子集团）
提出RND-SCI框架，通过距离-零空间分解引入深度先验约束，灵活提升各类HSI重建网络性能，并设计出达91帧每秒的RND-SAUNet网络。
2023-05-16 cs.CV eess.IV
Distributed Video Adaptive Block Compressive Sensing
视频块压缩感知已经被研究用于资源受限的场景，例如无线传感器网络，但是该方法仍然遭受低性能和长重构时间。受经典分布式视频编码的启发，我们设计了一个轻量级的编码器，在解码器上执行计算密集型操作，如视频帧插值。偏离最近训练端到端神经网络的趋势，我们提出了两种算法，利用卷积神经网络组件来重建视频，大大减少了重建时间。在编码器中，我们利用帧之间的时间相关性，并基于先前帧的压缩测量值部署自适应技术。在解码端，我们利用时间相关性，使用视频帧内插和时间差分脉冲编码调制。仿真结果表明，我们提出的两种算法，VAL-VFI和VAL-IDA-VFI重建更高质量的视频，达到最先进的性能。
2021-04-01 cs.MM eess.IV
Snapshot Compressive Imaging under Saturation: Theory, Mask Design, and Reconstruction
Rutgers University（罗格斯大学）
本文提出考虑饱和的快照压缩成像理论与算法，通过分析饱和对SCI重建的影响，提出SAPnet框架以提高重建性能。
2026-08-18 cs.IT eess.IV math.IT
Compressively Sensed Image Recognition
Tampere University of Technology（坦佩雷理工大学）；Ca' Foscari University of Venice（威尼斯大学）；Ege University（埃格大学）
压缩感知（CS）理论认为，稀疏信号重建是可能的，从少量的线性测量。虽然CS能够实现低成本的线性采样，但它需要非线性和昂贵的重建。最近的文献工作表明，压缩图像分类是可能的，在CS域没有重建的信号。在这项工作中，我们介绍了一个DCT基的方法，直接从CS测量提取二进制判别功能。这些CS测量可以通过使用（i）随机或伪随机测量矩阵，或（ii）从训练数据学习其元素以优化给定分类任务的测量矩阵来获得。我们通过将我们的二进制特征的词袋（BoW）表示与两个最先进的基于CNN的特征向量之一来进一步引入特征融合。我们表明，我们的融合功能优于国家的最先进的在这两种情况下。
2018-10-15 cs.CV cs.LG eess.IV
Co-VeGAN: Complex-Valued Generative Adversarial Network for Compressive Sensing MR Image Reconstruction
IIT Roorkee（印度理工学院鲁尔基分校）；IIT Kharagpur（印度理工学院卡拉格普尔分校）
压缩感知（CS）被广泛用于减少磁共振成像（MRI）的采集时间。尽管基于深度学习的方法已经能够获得快速、高质量的CS-MR图像重建，但它们的主要缺点是将复值MRI数据视为实值实体。大多数方法要么从复值实体中提取幅度，要么将它们连接为两个实值通道。在这两种情况下，相位内容，其中链接的实部和虚部的复值实体，被丢弃。为了解决实值深度网络的基本问题，即它们无法处理复值数据，我们提出了一种基于复值生成对抗网络（Co-Vegan）的新框架。我们的模型可以处理复值输入，这使它能够执行高质量的重建CS-MR图像。此外，考虑到相位是复值实体的重要组成部分，我们提出了一种新的复值激活函数，它对输入的相位敏感。广泛的评估所提出的方法在不同的数据集上使用各种采样掩码表明，所提出的模型显着优于现有的CS-MRI重建技术的峰值信噪比以及结构相似性指数。此外，与基于实值深度学习的方法相比，它使用的可训练参数要少得多。
2020-09-24 cs.CV cs.LG eess.IV
HerosNet: Hyperspectral Explicable Reconstruction and Optimal Sampling Deep Network for Snapshot Compressive Imaging
Peking University Shenzhen Graduate School（北京大学深圳研究生院）；Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））；Peking University（北京大学）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；Peng Cheng Laboratory（鹏城实验室）
高光谱成像是一种重要的成像方式，有着广泛的应用，特别是在遥感、农业和医学领域。受现有高光谱相机的启发，从低预算的快照测量重建高光谱图像（HSI）引起了广泛的关注。通过将截断数值优化算法映射到具有固定相位数的网络中，最近用于频谱快照压缩感知（SCI）的深度展开网络（DUN）取得了显着的成功。然而，由于缺乏跨相位特征交互和自适应参数调整，DUN远未达到工业应用的范围。在本文中，我们提出了一种新的高光谱可解释重建和最佳采样深度网络SCI，称为HerosNet，它包括ISTA展开框架下的几个阶段。在梯度下降步骤中，每个阶段可以灵活地模拟感测矩阵并根据上下文调整步长，并且在邻近映射步骤中，分层地融合和交互先前阶段的隐藏状态以有效地恢复当前HSI帧。同时，一个硬件友好的最佳二进制掩码学习端到端，以进一步提高重建性能。最后，我们的HerosNet被验证为在模拟和真实数据集上都比最先进的方法表现更好。源代码可在https://github.com/jianzhangcs/HerosNet上获得。
2022-05-16 cs.CV eess.IV
Revisit Dictionary Learning for Video Compressive Sensing under the Plug-and-Play Framework
East China Normal University（华东师范大学）；The University of Hong Kong（香港大学）
快拍压缩成像（snapshot compressive imaging，SCI）是针对高维数据的数据采集和分析，利用光学成像系统获得高维数据的二维压缩测量值，并利用压缩感知算法进行数据重构。虽然Plug-and-Play（PIPE）框架为SCI重建提供了一种新兴的解决方案，但其固有的去噪过程仍然是一个具有挑战性的问题。不幸的是，现有的去噪器在PADER框架要么遭受有限的性能或需要大量的训练数据。在本文中，我们提出了一种高效和有效的基于浅层学习的视频SCI重建算法。重新审视字典学习方法，我们为Pandem框架提供了一种新的去噪器，即核奇异值分解（KSVD）。得益于KSVD的出现，我们的算法在质量、速度和训练难度之间保持了良好的平衡。在各种数据集上，我们的模拟结果的定量和定性评价证明了我们所提出的方法的有效性。与使用总变分的典型基线相比，我们的方法在PSNR和SSIM中实现了约$2$ dB的改进。我们希望我们提出的PnP-KSVD算法可以作为一个新的基线视频SCI重建。
2022-03-10 cs.CV eess.IV
Learning-Based Compressive MRI
EPFL（洛桑联邦理工学院）；Bilkent University（比尔肯特大学）；National University of Singapore（新加坡国立大学）
在磁共振成像（MRI）领域，已经提出了广泛的非线性重建算法，其可以与一般傅立叶子采样模式一起使用。然而，这些二次采样模式的设计通常与重建规则和所考虑的解剖结构隔离地考虑。在本文中，我们提出了一个基于学习的框架，用于优化特定重建规则和解剖结构的MRI子采样模式，同时考虑无噪声和噪声设置。我们的学习算法可以访问一组有代表性的训练信号，并搜索平均表现良好的采样模式。我们提出了一种新的无参数贪婪掩模选择方法，并表明它是有效的各种重建规则和性能指标。此外，我们还支持我们的数值研究结果，通过统计学习理论提供了一个严格的理由，我们的框架。
2018-05-03 cs.CV eess.IV
Simultaneous use of Individual and Joint Regularization Terms in Compressive Sensing: Joint Reconstruction of Multi-Channel Multi-Contrast MRI Acquisitions
多对比度图像通常一起采集，以最大限度地补充诊断信息，尽管以较长的扫描时间为代价。获取高质量多对比度图像的一种省时策略是加速单个序列，然后使用联合正则化项重建欠采样数据，该联合正则化项利用对比度之间的公共信息。然而，这些术语可能会导致对比子集所特有的特征泄漏到其他对比中。这种特征的泄漏可能表现为人造组织，从而误导诊断。本研究的目标是开发一种压缩感知方法，用于多通道多对比度磁共振成像（MRI），最佳地利用共享信息，同时防止特征泄漏。联合正则化项组稀疏度和颜色总变差用于利用图像之间的共同特征，而个体稀疏度和总变差也用于防止不同特征在对比度之间的泄漏。采用基于乘子交替方向法的快速算法解决了多通道多对比度重建问题。所提出的方法进行了比较，仅使用个人和联合正则化项重建。对单通道模拟和多通道体内数据集的重建质量和神经放射学家阅片评分进行了比较。所提出的方法证明了快速收敛和提高图像质量的模拟和体内数据集。此外，虽然仅使用联合正则化项的重建容易出现特征泄漏，但所提出的方法通过同时使用联合和个体项可靠地避免了泄漏，从而为临床应用带来了很大的希望。
2020-10-21 eess.IV physics.med-ph
10-mega pixel snapshot compressive imaging with a hybrid coded aperture
Tsinghua University（清华大学）；Massachusetts Institute of Technology（麻省理工学院）；Bell Labs（贝尔实验室）；Beijing National Research Center for Information Science and Technology（北京信息科学与技术国家研究中心）
高分辨率图像在我们的日常生活中被广泛使用，而高速视频捕获由于工作在高分辨率模式下的相机的低帧速率而具有挑战性。深入挖掘，主要瓶颈在于现有成像系统的低吞吐量。为此，快照压缩成像（SCI）被提出作为一个有前途的解决方案，以提高成像系统的吞吐量，通过压缩采样和计算重建。在采集过程中，多个高速图像被编码并折叠成单个测量。在此之后，采用算法从编码快照中检索视频帧。最近开发的即插即用（PAPK）算法使SCI重建在大规模的问题。然而，缺乏高分辨率的编码系统仍然阻碍了SCI的广泛应用。在本文中，我们建立了一个新的混合编码孔径快照压缩成像（HCA-SCI）系统，将动态硅上液晶和高分辨率光刻掩模。我们进一步实现了一个Pendash重建算法与级联去噪高质量的重建。基于提出的HCA-SCI系统和算法，我们实现了一个1000万像素的SCI系统，以捕捉高速场景，导致每秒4.6G体素的高吞吐量。仿真和实际数据实验验证了我们提出的HCA-SCI方案的可行性和性能。
2021-08-15 cs.CV eess.IV physics.optics
Iris Image Processing in Compressive Sensing Scenario
本文研究了压缩感知在欠采样虹膜图像重建中的应用。虹膜识别代表了生物特征识别的形式，其在实际应用中的使用正在增长。压缩感知代表了一种新形式的稀疏信号采集和恢复时，少量的数据是一个可用的。不同的稀疏域被认为是使用各种数量的可用图像像素进行比较。虹膜图像验证了该理论。
2019-02-07 cs.MM eess.IV
Mixed-granularity Implicit Representation for Continuous Hyperspectral Compressive Reconstruction
针对 CASSI 高光谱压缩重建受固定分辨率限制的问题，提出 MGIR 框架，利用多尺度隐式编码、局部特征聚合与坐标解码实现任意空间-光谱分辨率重建。
2025-03-17 cs.CV eess.IV
