顶刊IJCV2024｜北大、哈工大、清华联合提出无需GT的自监督图像重建网络学习方法。代码已开源！

主要观点总结

本文介绍了一种新颖的自监督可扩展深度压缩感知（CS）方法，名为SCL和SCNet，能在不需要真实标签的情况下，通过训练在部分测量集上处理任意采样比率和矩阵，有效提升压缩感知的有效性和灵活性。主要贡献包括无需GT的自监督图像重建网络学习方法和一个基于协同表示的图像重建网络。

关键观点总结

关键观点1: 自监督可扩展深度压缩感知方法

本文提出一种名为SCL和SCNet的自监督可扩展深度压缩感知方法，该方法在训练过程中不需要真实标签，可以在部分测量集上处理任意采样比率和矩阵。

关键观点2: 双域自监督损失函数

本文提出了双域自监督损失函数，通过结合观测值域损失函数和图像域损失函数，约束网络产生符合交叉观测一致性和降采样一重建一致性的结果。

关键观点3: 基于协同表示的图像重建网络

本文设计的重建网络结合了迭代优化算法的显式结构设计启发与神经网络模块的隐式正则化约束，能够自适应地学习待重建图像的深度协同表示。

关键观点4: 实验结果

本文方法在多个测试集、多种数据类型以及多个任务上均表现出优异的重建效果，同时展现出对训练时未见过的采样矩阵与采样率的出色泛化能力。

文章预览

↑ 点击 蓝字  关注极市平台 作者丨陈斌，北京大学博士生 编辑丨极市平台 极市导读   本文提出了一种新颖的自监督可扩展深度压缩感知（CS）方法，名为SCL和SCNet，能够在不需要真实标签的情况下，通过训练在部分测量集上处理任意采样比率和矩阵，显著提升压缩感知的有效性和灵活性。 >> 加入极市CV技术交流群，走在计算机视觉的最前沿 一、论文信息 论文作者： Bin Chen（陈斌）, Xuanyu Zhang（张轩宇）, Shuai Liu（刘帅）, Yongbing Zhang†（张永兵）, and Jian Zhang†（张健）（†通讯作者） 作者单位： 北京大学深圳研究生院、清华大学深圳国际研究生院、哈尔滨工业大学（深圳） 发表刊物： International Journal of Computer Vision (IJCV) 发表时间： 2024年8月13日 正式版本： https://link.springer.com/article/10.1007/s11263-024-02209-1 ArXiv版本： https://arxiv.org/abs/2308.13777 开源 ………………………………