저효율적인 딥 컨볼루션 라플라시안 피라미드 구조를 이용한 저 샘플링 비율에서의 CS 복원

과거 몇 년 동안, 압축 센싱(CS)은 대부분의 이미지 신호가 특정 영역에서 희소하기 때문에 이미지 압축에 성공적으로 적용되었습니다. 여러 CS 복원 모델이 제안되어 우수한 성능을 보였습니다. 그러나 이러한 방법들은 대부분 저 샘플링 비율에서 블록 아티팩트나 링잉 효과를 겪고 있습니다. 이 문제를 해결하기 위해, 우리는 샘플링 서브네트워크와 복원 서브네트워크로 구성된 깊은 합성곱 라플라시안 피라미드 압축 센싱 네트워크(LapCSNet)를 제안합니다. 샘플링 서브네트워크에서는 합성곱 계층을 사용하여 샘플링 연산자를 모사합니다. 전통적인 CS 방법에서 사용되는 고정된 샘플링 행렬과 달리, 우리의 합성곱 계층에서 사용되는 필터는 복원 서브네트워크와 함께 공동으로 최적화됩니다. 복원 서브네트워크에서는 두 가지 분기를 설계하여 라플라시안 피라미드 구조를 이용해 다중 스케일 잔차 이미지와 다중 스케일 대상 이미지를 단계적으로 복원합니다. 제안된 LapCSNet은 다중 스케일 정보를 통합하여 더 나은 성능을 달성할 뿐만 아니라 계산 비용을 크게 줄입니다. 벤치마크 데이터셋에 대한 실험 결과는 제안된 방법이 기존 최신 방법들보다 더 많은 세부 사항과 선명한 경계를 재구성할 수 있음을 보여줍니다.