基于全球残余网络优化压缩传感模型的图像重建在图形设计中
Xinxin Fu1, Lujing Tang1, Yingjie Bai2
1Department of Integrated Industrial Design, Hanseo University, Seosan, Republic of South Korea.
PeerJ. Computer science
|December 16, 2024
概括
这项研究优化了图形设计的压缩传感 (CS) 模型,提高了图像重建的准确性. 新方法有效地重建高频信息,即使采样率低.
科学领域:
- 计算机视觉 计算机视觉
- 图像处理 图像处理
- 信号处理 信号处理
背景情况:
- 传统的压缩传感 (CS) 模型在图形设计应用中面临信息退化和扭曲的挑战.
- 优化CS模型对于从有限的数据中准确的图像重建至关重要.
研究的目的:
- 优化传统的压缩传感 (CS) 模型用于图形设计,以减轻信息退化和扭曲.
- 提高图像重建的准确性,特别是对于高频细节,使用改进的CS方法.
主要方法:
- 通过对本地图像块的压缩观测,开发了一个共同重建组策略.
- 进行了类似图像块的初始重建,随后进行了通道接.
- 采用了一个具有非本地特征自适应交互模块的全球残余网络,用于增强本地特征重建.
主要成果:
- 优化的CS模型在低采样率下实现了重建图像的解决方案空间限制.
- 图像中的高频信息得到了有效的重建,大大提高了整体图像重建的准确性.
- 与传统的CS模型相比,拟议的方法在保存图像细节方面表现出卓越的性能.
结论:
- 开发的共同重建组战略和全球残留网络有效地解决了CS中的信息退化问题.
- 这种优化的CS模型为图形设计中的高保真图像重建提供了可行的解决方案,即使采用最小的采样.
- 这些发现有助于在数字成像和图形设计领域推进图像重建技术.


