Abstract
快照压缩成像(Snapshot compression imaging, SCI)是指将多帧图像映射为一次测量的压缩成像系统，视频压缩成像和高光谱压缩成像是两种代表性应用。
虽然高速视频和高光谱图像已经取得了令人振奋的结果，但其较差的重建质量阻碍了SCI的广泛应用。
这篇文章旨在通过利用期望信号中的高维结构来提高SCI的重构质量。
作者建立了一个联合模型，其集成了视频/高光谱帧的非局部自相似性和秩最小方法用于 SCI 感知过程。
在此基础上，提出了一种交替最小化算法来求解该非凸问题。
作者进一步研究了SCI中采样过程的特殊结构，以解决SCI重构中的计算工作量和存储问题。
仿真和真实数据(由四个不同的SCI相机捕获)的结果表明，所提出的算法与目前最先进的算法相比有显著的改进。
Concluding Remarks
这篇文章提出了一种新的算法，从快照压缩成像系统中的一次测量中重建高速视频帧，以视频和高光谱图像为两个示例应用。 将秩最小方法纳入快照压缩成像系统的前向模型，并提出了一个联合优化问题。开发了一种交替最小化算法来解决这个联合模型。作者提出的算法研究了视频（高光谱）帧中的非局部自相似性，并比现有算法进行了重大改进。仿真和真实数据的广泛结果证明了该算法的优越性。
最近，深度学习算法已用于CS inversion[61]、[62]、[63]，如导言所述，深度学习在[30]、[31]（但存在一些限制）中用于视频CS。虽然这些算法大多试图通过卷积神经网络（CNN）学习端到端 inversion 网络，但Yang等人[62]将CNN纳入ADMM框架。这激发了作者未来的一项工作，将提出的ADMM框架与基于深度学习的去噪算法[64]、[65]集成。
作者提出的算法可用于其他快照（或多张照片）压缩成像系统，例如，深度压缩成像[66]、偏振压缩成像[67]、X射线压缩成像[68]、[69]、[70]和三维高速压缩成像[7]系统。这将是未来工作的另一个方向。
-
Previous
【深度学习】GFNet：Global Filter Networks for Image Classification -
Next
【深度学习】SENet：Squeeze-and-Excitation Networks
