学会“成果速览”系列文章旨在将图像图形领域会议期刊重要成果进行传播,通过短篇文章让读者用母语快速了解相关学术动态,欢迎关注和投稿~
◆ ◆ ◆ ◆
AMP-Net:一种针对图像压缩感知的深度学习型稀疏优化
◆ ◆ ◆ ◆
在本文中,为解决视觉图像压缩感知问题,我们提出了一种名为AMP-Net的深度展开模型。它将近似消息传递(Approximate Message Passing, AMP)算法的迭代去噪过程展开成多层网络。此外,AMP-Net集成了解块模块,以消除通常出现在视觉图像压缩感知中的块状伪影。另外,我们将采样矩阵与其它网络参数联合训练,达到采样-重建联合训练的性能。实验结果表明,AMP-Net具有比其它现有方法更高的重建精度,更快的重建速度,更少的网络参数。相关技术可以推广到其它图像降噪、重建、增强等应用。
压缩感知通过采集少量信息来实现图像的快速采样,数学表达式可表示为
有许多算法被设计来解决这个问题。基于模型的方法选择不同的正则项,如稀疏、低秩等,并利用非线性迭代算法来求解该问题。这类方法具有可解释性,但是通常比较耗时。端到端深度神经网络(如卷积神经网络)将
现有的深度展开模型可大致分为两类。第一类模型结合人为设计的正则项来构建深度展开模型。然而,人为设计的正则项可能会忽略一些表征数据语义的细节信息,而这一类信息对于重建是有帮助的。对此,第二类模型通过神经网络来对正则项进行学习,来获得这些信息。然而,目前第二类模型的参数量都很大,这对模型的实际应用有一定的阻碍。
本文基于近似消息传递算法的去噪形式,搭建了名为AMP-Net的深度展开网络。此外,为解决自然图像中逐块采样产生的块效应,引入了去块效应模块。并且,对采样矩阵进行了训练,来获得同时采样-重建耦合的采样方案。
AMP算法[1]分析以下两个等式
若
若采样矩阵
采样模型对图像进行逐块采样。定义函数
图 2 采样模型
2.初始化模块
初始化模块将采样结果恢复至原图大小,并作为重建模型的输入。定义
图 3 初始化模块
3.重建模块
去噪模块是基于AMP算法的去噪视角建立的。通过该视角,原始图像块通过下式获得
若能获得
其中
由去噪模块的重建过程可以看出,采样矩阵在重建过程中发挥着重要的作用,若能获得一个合适的采样矩阵,则有希望提高重建效果。
此外,我们引入去块效应模块来去除逐块采样与重建产生的块效应。第
其中
图 4 AMP-Net的重建模块
1.验证AMP-Net的展开策略
表1和表2对比了不同方法在不同采样率情况下,在Set11和BSDS500测试集上的平均PSNR和SSIM。图5和图6展示了具有不同数量的重建模块的深度展开模型在两个不同采样率下的平均PSNR。可以看出,AMP-Net展开策略是有效的。
图 5 采样率为30%时,不同模型在BSDS500测试集上的平均PSNR
图 6 采样率为10%时,不同模型在BSDS500测试集上的平均PSNR
2.验证去块效应模块的效果
表3展示了在Set11上,不同的模型采用不同去块效应策略的平均PSNR和SSIM。图7展示了不同的模型采用不同去块效应策略在对Monarch图像的重建效果。通过表3和图7可以看出去块效应模块有很好的效果,并且具有通用性。
表 3 不同模型使用不同的去块效应策略在Set11上的性能
图 7 采样率为10%时,不同的去块效应策略在Monarch图像上的效果
3.验证采样矩阵训练策略
表4和表5展示了不同的采样率下AMP-Net-K-M的效果,图8展示了不同模型使用不同采样矩阵的重建效果。可以看出,通过训练采样矩阵,AMP-Net的效果得到了提高,并且训练好的采样矩阵也具有通用性。
表 4 AMP-Net-K-M与AMP-Net-K在Set11上的性能
图 8 在30%采样率下,不同模型使用不同采样矩阵的性能
4.验证AMP-Net-K-BM的效果
表6和表7对比了AMP-Net-K-BM与其他模型的效果。可以看出,AMP-Net-K-BM优与其他模型。并且,在一定范围内,当重建模块数量变多时,重建效果呈现增加的趋势。
表 6 AMP-Net-K-BM与其他模型在Set11上的性能