arXiv:1310.7217

Compressed Sensing SAR Imaging with Multilook Processing

Jian Fang, Zongben Xu, Bingchen Zhang, Wen Hong, Yirong Wu

제출 2013-10-27

원문 초록

Multilook processing is a widely used speckle reduction approach in synthetic aperture radar (SAR) imaging. Conventionally, it is achieved by incoherently summing of some independent low-resolution images formulated from overlapping subbands of the SAR signal. However, in the context of compressive sensing (CS) SAR imaging, where the samples are collected at sub-Nyquist rate, the data spectrum is highly aliased that hinders the direct application of the existing multilook techniques. In this letter, we propose a new CS-SAR imaging method that can realize multilook processing simultaneously during image reconstruction. The main idea is to replace the SAR observation matrix by the inverse of multilook procedures, which is then combined with random sampling matrix to yield a multilook CS-SAR observation model. Then a joint sparse regularization model, considering pixel dependency of subimages, is derived to form multilook images. The suggested SAR imaging method can not only reconstruct sparse scene efficiently below Nyquist rate, but is also able to achieve a comparable reduction of speckles during reconstruction. Simulation results are finally provided to demonstrate the effectiveness of the proposed method.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2609.22950v1cs.CV공통 태그 Image Reconstruction, compressed sensing

CLEAR: 초가속 4D Flow CMR 재구성을 위한 복소수 학습 명시적 해석적 정규화

CLEAR: Complex Learned Explicit Analytical Regularization for Ultra-Accelerated 4D Flow CMR Reconstruction

압축 센싱(compressed sensing) 정규화 기법은 투명한 변분 목적함수(variational objective)를 통해 4D Flow CMR의 해석 가능한 재구성을 가능하게 하지만, 수작업으로 설계된 특성상 고가속(high acceleration) 조건에서는 지나치게 제한적이다. 최신 학습 기반 접근법은 이러한 문제를 완화하지만, 일반적으로 언롤링된(unrolled) 네트워크 모듈을 통해 정규화를 암묵적으로 인코딩하기 때문에 해석 가능성이 제한된다. 이러한 한계를 해결하기 위해, 우리는 압축 센싱의 해석 가능성과 학습 모델의 유연성을 결합하도록 설계된 CLEAR를 제안한다. 우리가 아는 한, 이는 4D 재구성 과제를 위한 최초의 학습된 정규화(regularizer)이다. CMRx4DFlow2026 챌린지의 10배~50배 초가속 영역에서, CLEAR는 1만 개 미만의 파라미터를 사용하면서도 해석 가능한 정규화 구조를 유지하는 동시에 압축 센싱 국소 저랭크(locally low-rank, LLR) 기법과 널리 사용되는 변분 네트워크(variational network) FlowVN을 능가하는 성능을 보인다.

arXiv:2607.01654v1cs.CV공통 태그 Image Reconstruction, Compressive Sensing

압축 센싱 광시트 현미경을 위한 플러그 앤 플레이 체적 복원

Plug-and-Play Volumetric Reconstruction for Compressive Sensing Light-Sheet Microscopy

본 연구에서는 압축 센싱 광시트 현미경(CS-LSM, compressive sensing light-sheet microscopy)을 위한 체적 복원을 탐구한다. CS-LSM은 각 카메라 노출에 여러 축 방향 평면을 인코딩함으로써 빠른 체적 영상 획득을 실현한다. 고도로 다중화된 측정값으로부터 기저 체적을 복원하기 위해, 사용자가 지정한 임의의 디노이저를 복원 과정에 유연하게 통합하는 플러그 앤 플레이(PnP) 프레임워크를 제안한다. 슬라이스 기반 공식화를 토대로, 인접 슬라이스 간 상관관계를 활용하여 체적 연속성을 향상시키는 축 방향 결합 모델을 추가로 도입한다. 효율적인 연산을 위해, 슬라이스 기반 및 축 방향 결합 공식화 모두에서 데이터 일관성 단계에 Woodbury 기반 업데이트를 유도하고, 축 방향 결합 모델의 디노이징 단계에는 Gauss-Seidel 스윕을 적용한다. 약볼록 정규화(weakly convex regularization) 가정하에, 제안된 알고리즘의 부분 수렴(subsequential convergence)을 이론적으로 증명한다. 합성 데이터 및 실제 제브라피시 심장 데이터를 대상으로 한 실험을 통해, 제안된 프레임워크가 압축 측정값으로부터 세포 구조를 성공적으로 복원함을 입증하며, CS-LSM 환경에서 PnP 프레임워크 내 일반적으로 사용되는 디노이저들의 비교 성능에 관한 실용적인 인사이트를 제공한다.

arXiv:2606.17343v1cs.CV공통 태그 Image Reconstruction, compressed sensing

희소성 사전 모델과 마르코프 연쇄 몬테카를로 샘플링을 이용한 베이지안 자기 공명 영상 공동 재구성 및 불확실성 정량화

Bayesian Magnetic Resonance Joint Image Reconstruction and Uncertainty Quantification using Sparsity Prior Models and Markov Chain Monte Carlo Sampling

우리는 압축 감지 자기 공명 영상 재구성을 사용하여 불확실성 정량화를 위한 새로운 프레임워크를 제안합니다. 이 문제는 베이지안 프레임워크 내에서 선형 역문제로 공식화되며, 알 수 없는 모델 파라미터에는 사전 분포가 할당됩니다. 구체적으로, 재구성할 이미지는 주어진 기저에서 희소(sparse)하다고 가정합니다. 우리는 모든 기저에 적용 가능한 일반적인 프레임워크를 개발했으며, 예로서 (1) 총 변분(Total Variation) 사전 모델을 사용한 공간 기울기(spatial gradients)와 (2) 웨이블릿 변환에서의 이미지 희소성을 테스트합니다. 그런 다음 분할-증강(split-and-augmented) 기브스 샘플러에 기반한 마르코프 연쇄 몬테카를로(MCMC) 방법을 사용하여 알 수 없는 파라미터의 사후 분포에서 샘플링을 수행합니다. 미분 불가능한 조건부 분포는 근사(proximal) MCMC 방법을 사용하여 효율적으로 샘플링됩니다. 제안된 알고리즘은 다양한 k-공간(k-space) 서브샘플링 패턴과 비율을 사용하여 단일 코일 및 다중 코일 데이터셋에서 검증되었습니다. 결과는 이미지 재구성에 있어 각 제안된 접근 방식이 대응되는 최적화 기반 방법보다 우수한 성능을 보여줍니다. 더불어, 우리의 프레임워크는 불확실성을 효과적으로 정량화하며, 기존 심층 학습 기반 방법과 비교했을 때 추정된 불확실성 맵과 정답(ground truth) 및 재구성된 이미지를 사용하여 계산된 오차 맵 사이에 유의미한 상관관계를 보여줍니다.

arXiv:2505.23869v5stat.ML공통 태그 compressed sensing공식 코드 · Papers with Code

Gibbs 무작위성-압축 명제

Gibbs randomness-compression proposition

손실 압축 과정과 연관된 측정 벡터 집합에 대한 Gibbs 엔트로피를 통해 무작위성과 압축을 연결하는 명제를 제안한다. 이 연결을 구축하는 과정에서, 반복적인 압축-학습 주기에서 압축을 탐색하는 수단으로 학습 과제의 성능을 사용한다. 이는 열역학적 효율을 탐색 수단으로 사용하는 통계역학적 관점에서의 반복적 coarse-graining으로 볼 수 있다. 압축률의 매우 작은 감소와 성능 사이의 공단조(comonotonic) 관계를 통해 이 연결을 공식화한다. 기준선 모델로 세 가지 서로 다른 모델 압축 과정을 사용하여, 심층 학습의 정형적인 비전 과제에서 이 명제의 타당성을 입증한다. 다음의 단순한 것부터 복잡한 것까지의 모델 압축 접근법을 사용한다: (1) 무작위 가지치기, (2) 크기(magnitude) 가지치기, (3) 이중 방식의 압축 센싱(compressed sensing)을 활용하는 이중 tomographic 압축을 이용한 보다 복잡한 압축으로, 이는 새로운 방법으로 소개된다. 심층 학습 네트워크의 남은 가중치를 측정 벡터로 사용하여 Gibbs 엔트로피를 측정한다. 성능으로 탐색한 압축과 학습된 모델에 대한 엔트로피 측정으로부터 얻은 무작위성 사이에 본질적으로 계산 가능한 연결이 존재한다는 개념을 보여준다.

arXiv:2506.11139v3eess.IV공통 태그 Image Reconstruction공식 코드 · Papers with Code

그리드는 종종 밀집 신호 압축에서 암시적 신경 표현(Implicit Neural Representations, INRs)보다 우수합니다

Grids Often Outperform Implicit Neural Representations at Compressing Dense Signals

암시적 신경 표현(Implicit Neural Representations, INRs)은 최근 인상적인 결과를 보여주었지만, 그 기본 용량, 암시적 편향, 스케일링 동작은 여전히 잘 이해되지 않고 있습니다. 우리는 다양한 유효 대역폭을 가진 2D 및 3D 실제 및 합성 신호와 토모그래피, 초해상도, 노이즈 제거를 포함한 과적합(overfitting) 및 일반화 작업 전반에 걸쳐 다양한 INRs의 성능을 조사합니다. 모델 크기와 신호 유형 및 대역폭에 따라 성능을 계층화하여, 서로 다른 INR 및 그리드 표현이 용량을 어떻게 할당하는지를 밝혀냅니다. 밀집 신호를 다루는 많은 작업에서, 보간이 적용된 간단한 정규화된 그리드는 동일한 파라미터 수를 가진 어떤 INR보다 더 빠르게 학습되며 더 높거나 대등한 품질로 도달함을 발견했습니다. 또한, 형태 윤곽과 같은 이진 신호 적합 작업과 같이 INRs가 그리드보다 우수한 성능을 보이는 제한적인 설정도 발견했습니다. 이는 향후 INRs의 개발과 활용을 가장 유리한 응용 분야로 유도하는 데 도움이 될 것입니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.