文档名：基于MAP的多信息流梯度更新与聚合视频压缩感知重构算法
摘要：现有优秀的基于深度学习的分布式视频压缩感知(DistributedCompressedVideoSensing,DCVS)重构算法利用测量值和参考帧顺序更新非关键帧,获得了较好的重构性能,但由于缺乏较严格的理论指导,无法充分结合这两类信息,限制了非关键帧重构质量的进一步提升.针对该问题,本文首先利用贝叶斯理论及最大后验概率(Maxi-mumAPosteriori,MAP)估计推导出DCVS中非关键帧重构的优化方程,再基于近端梯度算法推导出优化方程的求解框架,包含多信息流梯度更新聚合方程.基于此,本文设计了多信息流梯度更新及聚合模块(Multi-InformationflowGradi-entupdateandAggregation,MIGA),并构建了深度多信息流梯度更新与聚合网络(DeepMulti-InformationflowGradientupdateandAggregationNetwork,DMIGAN)用于DCVS非关键帧重构.MIGA利用测量值与多参考帧对当前非关键帧进行并行梯度更新,再做信息交互融合,从而充分结合多种信息流更新重构帧.本文级联MIGA与去噪子网络用于模拟近端梯度算法的单次迭代,作为基础模块(phase),并通过级联多个phase构造深度重构网络DMIGAN,实现帧重构的深度优化过程.实验表明,DMIGAN与具代表性的传统迭代优化算法结构相似的帧间组稀疏表示重构算法(StructuralSIMilaritybasedInter-FrameGroupSparseRepresentation,SSIM-InterF-GSR)相比,在低采样率与高采样率下性能分别提升了8.8dB和7.36dB;和具有代表性的深度学习重构算法VCSNet-2相比,在低采样率和高采样率下性能分别提升了7.09dB和8.78dB.
Abstract：Duetothelackofguidancefromtheparallelupdatetheoreticalsolverframework,existingdeeplearning-baseddistributedcompressedvideosensing(DCVS)algorithmsalternatelyusemeasurementvaluesandreferenceframestooptimizethereconstructednon-keyframe,resultingintheinabilitytofullycombinethetwotypesofinformationandlimit-ingthequalityofreconstruction.Inordertosolvethisproblem,thispaperfirstlyusesBayesiantheoryandmaximumapos-terioriestimation(MAP)toderivetheoptimizationequationofnon-keyframereconstructioninDCVS,andthenderivesthesolutionframeworkoftheoptimizationequationbasedontheproximalgradientalgorithm,includingmulti-informationflowgradientupdateandaggregationequation.Basedonit,thispaperdesignsamulti-informationflowgradientupdateandaggregationneuralnetworkmodule(MIGA),andconstructsadeepmulti-informationflowgradientupdateandaggregationnetwork(DMIGAN)forDCVSnon-keyframereconstruction.MIGAusesthemeasurementvaluesandmultiplereferenceframestoupdatethecurrentnon-keyframebyparallelgradients,andthenperformsinformationinteractionandfusion,soastofullycombinemultipleinformationflowstoupdateandreconstructtheframe.Inthispaper,theMIGAandthedenois-ingsub-networkarecascadedtosimulateasingleiterationoftheproximalgradientalgorithmasthebasicphase.ThedeepreconstructionnetworkDMIGANisconstructedbycascadingmultiplephasestorealizethedeepoptimizationprocessofframereconstruction.Experimentsshowthat,comparedwiththerepresentativetraditionaliterativeoptimizationalgorithmstructuralsimilaritybasedinter-framegroupsparserepresentation(SSIM-InterF-GSR),theperformanceofDMIGANisim-provedby8.8dBand7.36dBatlowsamplingrateandhighsamplingraterespectively;andcomparedwiththerepresenta-tivedeeplearningreconstructionalgorithmVCSNet-2,theperformanceisimprovedby7.09dBand8.78dBatlowsam-plingrateandhighsamplingrate,respectively.
作者：杨鑫 杨春玲Author：YANGXin YANGChun-ling
作者单位：华南理工大学电子与信息学院,广东广州510640
刊名：电子学报 ISTICEIPKU
Journal：ActaElectronicaSinica
年，卷(期)：2023, 51(11)
分类号：TN919.8
关键词：分布式视频压缩感知 最大后验概率估计 多信息流梯度更新 信息聚合 迭代优化 光流估计
Keywords：distributedcompressedvideosensing maximumaposterioriestimation multi-informationflowgradi-entupdate informationaggregation iterativeoptimization opticalflowestimation
机标分类号：TP391.41TN919.81TP18
在线出版日期：2024年2月1日
基金项目：基于MAP的多信息流梯度更新与聚合视频压缩感知重构算法[
期刊论文] 电子学报--2023, 51(11)杨鑫 杨春玲现有优秀的基于深度学习的分布式视频压缩感知(DistributedCompressedVideoSensing,DCVS)重构算法利用测量值和参考帧顺序更新非关键帧,获得了较好的重构性能,但由于缺乏较严格的理论指导,无法充分结合这两类信息,限...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
基于MAP的多信息流梯度更新与聚合视频压缩感知重构算法 MAP-Based Multi-Information Flow Gradient Update and Aggregation for Video Compressed Sensing Reconstruction
基于MAP的多信息流梯度更新与聚合视频压缩感知重构算法.pdf
- 文件大小:
- 1.87 MB
- 下载次数:
- 60
-
高速下载
|
|
