.png){kind=icon}
返回
Enhanced Single Pixel Imaging by Using Adaptive Jointly Optimized Conditional Diffusion
.png){kind=icon}
PRE
AI
DOI：10.1109/TCI.2025.3544087.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
单像素成像能够在低测量率（MR）下重建原始图像，并通过使用单光子探测器捕获光强度信息，在低光照环境下对目标进行测量和重建。在低MR下优化重建结果已成为旨在提高测量效率的研究焦点。神经网络的运用显著提升了重建质量，但性能仍需进一步改进。本文提出了一种扩散单像素成像模型（DSPIM）方法。在单像素成像的训练和重建过程中，利用条件扩散模型，并与自编码器网络进行联合优化。该方法模拟了图像的测量和初步重建，并将其作为条件纳入扩散过程。通过设计的包含预测噪声损失和测量精度损失的损失函数，学习噪声和特征，使得重建在极低MR下表现良好。此外，还设计了一种自适应正则化系数调整方法（ARCA）以实现更有效的优化。最后，将学习到的权重加载到单光子计数系统中作为测量矩阵，结果表明，本方法有效解决了低MR下因特征不足导致的模糊问题，使目标更清晰且特征易于区分。
Keyword:
Single pixel imaging (SPI)
diffusion model
learnable loss function
adaptive regularization coefficient adjustment
single photon counting imaging
期刊
IF:
4.9
论文数:
622
被引数:
6.8K
机构
引用论文
Restoring Vision in Adverse Weather Conditions With Patch-Based Denoising Diffusion Models使用基于补丁的去噪扩散模型在恶劣天气条件下恢复视力
OAAI
OAAI分享收藏DM-RE2I: A framework based on diffusion model for the reconstruction from EEG to imageDM-RE2I: 基于扩散模型的脑电图像重建框架
PREAI
分享收藏分享收藏DR2-Net: Deep Residual Reconstruction Network for image compressive sensingDR2-Net: 深度残差重构网络图像压缩感知.png)
NEUROCOMPUTING
OAAI
NEUROCOMPUTINGIF6.5
OAAI分享收藏
查看更多内容