Abstract
这篇文章考虑压缩感知的 total variation(TV)最小化问题,并采用 generalized alternating projection(GAP)算法进行求解。
大量的结果表明,提出的算法在压缩感知方面的高性能,包括二维图像、高光谱图像和视频。
在CACTI和CASSI框架下,作者进一步推导了基于TV最小化的Alternating Direction Method of Multipliers(ADMM)框架,用于视频和高光谱图像压缩感知。
提供了 GAP 和 ADMM 之间的联系。
Introduction
最初在[1]中提出的 generalized alternating projection(GAP)算法,在二维(2D)图像[1 5]、高光谱图像[6,7]、视频[8 15]、深度图像[16 18]和偏振图像[19]等多种压缩感知(CS)问题上表现出了出色的性能。
然而,以上所有的论证,包括实际的系统应用,都利用GAP来解决变换域的压缩感知问题, 即小波或DCT(离散余弦变换)域。
GAP 被用来解决以下问题:
\[\min_w \|w\|_{l_{2, 1}^{\mathcal{G} \beta}} \quad \text{subject to} \quad \Phi x = y \quad (\text{with } x = Tw) \tag{1}\]其中 $T$ 是变换矩阵, 如果变换对每个维度执行, 那么其是不同 base 的 Kronecker product。
$y$ 是 measurement, $\Phi$ 是 sensing matrix, $x$ 是想要的信号, $w$ 是变换域中对应的系数。
$ | · | {l{2, 1}^{\mathcal{G}, \beta}}$ 表示加权组 $l_{2, 1}$ 范数, 定义为: |
$|·|2$ 表示 $l_2$ 范数。$w{\mathcal{G}_k}$ 是 $w$ 包含的一个子向量, 其由 $\mathcal{G}_k$ 索引, $\beta_k$ 表示该组的权重。
尽管已经取得了巨大的成功,但要找到一个好的变换 T 来施加在数据上并不总是那么容易。此外,这种转换需要一些计算时间,组和权值的选择对结果有显著影响
另一方面,基于 total variation (TV)的算法在各种CS问题上表现出了良好的性能。 其求解以下问题:
\[\min_x \| TV(x) \| \quad \text{subject to} \quad \Phi x = y \tag{2}\]其中 $| TV(x) |$ 表示 TV 范数。问题是能否使用 GAP 解决 TV 最小化问题?这篇文章提出一种新的使用 GAP 求解 (2) 的算法。
Conclusion
这篇文章提出了基于 generalized alternating projection 的压缩感知 total variation 最小化算法。
在图像、视频和高光谱图像的压缩感知方面取得了良好的结果。
-
Previous
【深度学习】Deformable DETR:Deformable Transformers for End-to-End Object Detection -
Next
【深度学习】ECCV 2022 low-level CV 论文汇总