.png){kind=icon}
返回
FNAT-Net: Feature space-based compression-aware adaptive thresholding network
.png){kind=icon}
PRE
AI
DOI：10.1016/j.dsp.2025.105002.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，通过深度学习技术，在图像压缩感知（ICS）领域取得了显著进展。深度展开网络（DUN）将迭代重构过程转化为端到端的深度神经网络，提高了可解释性和性能。然而，传统算法局限于像素空间处理信息，未能充分利用特征空间的潜在优势。此外，大多数DUN受限于固定的输入-输出镜像结构，限制了信息流动，并且由于采用固定阈值进行软收缩操作，缺乏适应性。为解决这些局限性，我们提出了一种新颖的特征空间感知压缩自适应阈值网络（FNAT-Net）。利用补充信息（FI）使FNAT-Net能够在像素和特征域之间进行融合处理，将两步近似梯度下降算法从像素空间映射到特征空间。此外，本文引入了一种有效的增强型多层感知器（MLP）自适应软阈值策略。该策略使FNAT-Net能够处理具有内容感知阈值的L1正则化邻域映射。FNAT-Net超越了当前最先进的方法，在广泛的场景变化和噪声条件下表现出更优异的性能。
Keyword:
Compressed sensing
Depth expansion sensing
Image reconstruction
Interpretable networks
Optimization
期刊
IF:
3.6
论文数:
10.0K
被引数:
1.7W
机构
引用论文
.png){kind=icon}
Learned Two-Step Iterative Shrinkage Thresholding Algorithm for Deep Compressive Sensing深度压缩感知的学习两步迭代收缩阈值算法
PREAI
分享收藏分享收藏分享收藏
分享收藏
查看更多内容