xz_92-CSDN博客

原创 CASSI论文学习（六）——Self-supervised Neural Networks for Spectral Snapshot Compressive Imaging

基于深度学习算法：对于有监督算法来说，虽然重建效果好，但是存在如下几个缺点：1、网络的泛化能力受限。因为存在的训练数据有限，比如高光谱训练数据中有些光谱不存在，导致无法很好地重建数据立方体。此外，由于掩模(调制模式)的不同设计，训练好的cnn不能用于其他系统。开发了一个将DIP（ deep image priors）应用到PnP( plug-and-play)中的框架，即一个用于解决光谱SCI重建的自监督网络。传统基于优化的算法：迭代速度慢，质量低，且手工先验（基于稀疏、低秩以及TV等）不适用于所有数据。

2023-07-12 12:12:05 295 1

原创 CASSI论文学习（五）Deep plug-and-play priors for spectral snapshot compressive imaging

提出了一种即插即用(PnP)方法，该方法使用基于深度学习的去噪器作为光谱快照压缩成像(SCI)的正则化先验。

2023-07-06 17:53:20 386 1

原创 CASSI四 Effective Snapshot Compressive-spectral Imaging via Deep Denoising and Total Variation Priors

给定输入图像x(k+1)，目标是找到一个去噪后的图像v(k+1)。因此，我们引入了关于噪声水平σ的分布p(σ|x(k+1))，表示在给定观测数据x(k+1)时σ的可能取值的概率分布。最大后验估计的目标是在给定观测数据x(k+1)和噪声水平σ的条件下，找到最有可能的去噪图像v(k+1)。去噪的优化问题问题（左式）可以看作给定观测数据x(k+1)和噪声水平σ时，对于去噪图像v(k+1)的最大后验估计（右式）p(v|x(k+1), σ) 表示给定观测数据x(k+1)和噪声水平σ时，去噪图像v的条件概率分布。

2023-06-29 11:21:11 259 3

原创编码孔径快照式光谱成像（CASSI）论文学习（三）——Prior Image Guided SnapshotCompressive Spectral Imaging

1、求x:求偏导，利用矩阵逆引理求解。

2023-06-13 16:37:20 609 1

原创 CASSI论文学习（二）——GENERALIZED ALTERNATING PROJECTION BASED TOTAL VARIATION MINIMIZATION FOR CS

作为两个圆（其他形状也可以），求其交点（因为两个条件均需满足）。通过交替投影，投影到同一个点的时候结束，即。本文工作：使用广义交替投影（GAP）算法进行求解压缩传感的总变化（TV）最小化问题。对X做投影，通过交替投影，直到互相投影得到的值相同，则得到优化结果。的行列数比，其实就是测量值y行数与要求值x的列数的大小的比值。，求x成为一个TV去噪问题，可使用迭代裁剪算法求解。TV（x）的含义是对矩阵内值按行/按列相减，即。使用GAP解决，可得以下式子，在几何角度来解释，可将X和。基本的TV总变分问题如下，

2023-04-19 15:17:38 957 2

原创编码孔径快照式光谱成像（CASSI）论文学习（一）——Rank Minimization for Snapshot Compressive Imaging

左边：通过SCI相机之一的CACTI获得Measurement测量值y（多帧Scene与Mask做Hadamard乘积之和）是两个矩阵按照对应元素相乘所得到的结果。如果两个矩阵A和B的维度相同，即A和B都是m行n列的矩阵，那么它们的Hadamard乘积C的每个元素c_ij就是a_ij和b_ij相乘所得到的结果，即：中间：将y与Mask输入，Initialization是指将y恢复成多帧(如何做？)然后将多帧划分为N个。

2023-04-19 15:14:20 2296 5

原创主成分分析法（PCA）简要学习笔记（包含与SVD的关系）

假设x为一组二维的数据，要降维到一维，想要尽量保存原有数据的信息，则目标可表达为要找到一个向量U使此二维数据投影到此向量上的范围尽可能的大（在几何的角度来说，即：使得该二维数据能够尽可能多的对该向量做垂线，且垂线尽可能不重合），PCA将其用方差进行衡量，SVD可以用来算PCA，不过SVD并未进行归一化，如下所示：（eig()为求解特征向量）由于本方法不考虑向量的长度，故U为单位向量，C为x的方差，投影y的方差为，可认为是C的特征值矩阵，即可表达成以下矩阵（矩阵元素数量仅示例作用）使用拉格朗日方程求解得，

2023-04-19 15:13:14 102

xz_92的博客