卷积稀疏编码已经在图像处理领域取得了瞩目的成就,其是使用滤波器和特征图进行卷积以保持空间一致性,从而弥补了稀疏表示存在的不足。之后,基于深度学习思想的多层卷积稀疏编码也成为研究热点。该文是对卷积稀疏编码模型和多层卷积稀疏编码模型进行研究和改进,其中主要工作内容如下:首先,在门控可学习的迭代收缩阈值算法提高编码成分思想的启发下,该文将这种门控机制引入到卷积稀疏编码模型中,提出了带有增益门的卷积稀疏编码模型(Convolutional Sparse Coding with Gain Gates,CSC-GG)和带有超调门的卷积稀疏编码模型(Convolutional Sparse Coding with Overshoot Gates,CSC-OG)。其中,CSC-GG模型和CSC-OG模型具有良好的重建效果,可以清晰地重建出原始图像。之后在卷积稀疏编码网络的启发下,该文将CSC-GG模型和CSC-OG模型迭代展开为网络的形式,形成了门控的卷积稀疏编码网络。其次,在CSC-GG模型的基础上,该文呈现了组合的增益门函数,而且数值实验证明了其比单纯的CSC-GG模型在图像去噪上更具优越性。该文还在CSC-OG模型的基础上,将增益门函数引入到CSC-OG模型,构成组合门模型。数值实验证明了组合门模型比单纯的CSC-OG模型在图像去噪上具有优势。最后,在多层可学习的迭代阈值算法的基础上,该文将CSC-GG模型和CSC-OG模型扩展到多层的设置,形成了一个新型的多层基追踪算法,提出了多层可学习的增益门算法(Multi-layer Learned Gain Gates,ML-LGGs)和多层可学习的超调门算法(Multi-layer Learned Overshoot Gates,ML-LOGs)。随后,将ML-LGGs模型和MLLOGs模型迭代展开为神经网络的形式,形成一个编码-解码的自学习网络。
暂无评论