.png){kind=icon}
返回
Provably Bounded Dynamic Sparsifying Transform Network for Compressive Imaging
.png){kind=icon}
PRE
AI
DOI：10.1109/TNNLS.2025.3543766.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
压缩成像（CI）旨在从欠采样观测中恢复底层图像。近年来，深度展开式CI（DUCI）算法将迭代算法展开为深度神经网络（DNNs），取得了显著成果。理论上，展开一个收敛的迭代算法可以确保稳定的DUCI算法，即其性能随着阶段的增加而提升。然而，确保收敛性通常需要施加约束，例如对滤波器权重或稀疏化变换施加有界谱范数或紧致性约束。不幸的是，这些约束可能损害算法性能。为解决这一挑战，我们提出了一种可证明有界的动态稀疏化变换网络（BSTNet），它可以明确证明为有界网络，而无需对分析稀疏化变换施加约束。利用这一优势，分析稀疏化变换可通过可训练的DNN自适应生成。具体而言，我们阐述了一种动态稀疏化变换生成器，能够从输入实例中提取多特征信息，从而促进生成忠实的内容自适应稀疏化变换。我们明确证明所提出的BSTNet是有界网络，并将其进一步嵌入为DUCI框架中的先验网络，以评估其在两种CI任务上的性能，即光谱快照CI（SCI）和压缩感知磁共振成像（CSMRI）。实验结果表明，我们的DUCI算法与基准算法相比，能够实现具有竞争力的恢复质量。理论上，我们明确证明了所提出的BSTNet是有界的，并提供了所提迭代算法的全面理论收敛性分析。
Keyword:
Compressed sensing magnetic resonance imaging (CSMRI)
deep unfolded network
image recovery
snapshot compressive imaging (SCI)
sparsifying transform
期刊
IF:
8.9
论文数:
7.6K
被引数:
7.2W
机构
引用论文
.png){kind=icon}
分享收藏分享收藏DiffSCI: Zero-Shot Snapshot Compressive Imaging via Iterative Spectral Diffusion ModelDiffSCI：基于迭代光谱扩散模型的零样本快照压缩成像
PREAI
分享收藏
查看更多内容