公开(公告)号：CN116633360A

公开(公告)日：2023-08-22

申请号：CN202310587366.2

申请日：2023-05-24

Applicant: 南开大学

Inventor： 赵迎新 ,  吴虹 ,  薛宇琼 ,  王乐耕 ,  欧子葳 ,  王长峰

IPC: H03M7/30 ,  G06N3/045 ,  G06N3/0442 ,  G06N3/084

Abstract: 本发明采用一种新的时序数据深度压缩感知重建方法，将时序数据送入压缩采样模块（3）中，在这里采用单层门控循环单元实现数据的实时压缩采样，得到采样值。生成正态分布的随机采样数据作为隐变量（1），计算原始数据采样值（4）与重建数据采样值（6）之间的欧几里得范数作为测量误差（5），通过采用最小化测量误差的方式对隐变量（1）进行梯度下降，优化隐变量（1）。将隐变量（1）和原始数据采样值（4）分别经过一个全连接层与激活函数得到隐藏特征并相乘，再经过一个全连接层与激活函数得到重建数据（7）。本方法利用了压缩感知和深度学习的相关原理，不再要求数据具有稀疏性，实现了时序数据的高精度快速实时压缩与重建。

公开(公告)号：CN116580114A

公开(公告)日：2023-08-11

申请号：CN202310587219.5

申请日：2023-05-24

Applicant: 南开大学

Inventor： 赵迎新 ,  王长峰 ,  吴虹 ,  欧子葳 ,  薛宇琼

IPC: G06T9/00 ,  G06V10/774 ,  G06T5/00

Abstract: 本发明涉及图像处理领域，主要涉及一种基于超梯度去噪网络的图像压缩感知重建方法。本发明在传统的图像逐块采样和初始重建的基础上，通过深度展开思想将压缩感知迭代去噪重建模型映射为端到端的去噪网络。在去噪网络中引入残差密集块作为去噪算子，提升图像去噪重建的质量。同时进一步使用超梯度策略优化迭代去噪模型，加速网络收敛。本发明通过在迭代去噪过程中利用去噪算子学习噪声信息，灵活地表征图像的先验信息，克服了人工设置正则项的局限性，准确高效地进行了原始图像的重建。