Matlab / Simulink的Saivdr包金宝app

System对象定义，用于稀疏感知图像和体积数据恢复

总结

SaivDr是稀疏感知图像和体积数据恢复的缩写。这个包是为

• 实验，
• 发展和
• 执行

稀疏感知图像和体积数据恢复算法。

特别是，这个包提供了与之相关的丰富的课程集不可分过采样重叠变换(nsolts.），这允许卷积层

• 帕塞紧(paraunitary),
• 对称和
• 多分辨率

属性。对于一些特性，我们已经用深度学习工具箱准备了自定义层类。现在很容易将它们合并到灵活的配置和网络的一部分中。

有关SAIVDR套餐的信息在内容中给出。帮助命令可用于查看内容，如下所示：

>>帮助Saivdr稀疏感知图像和卷数据恢复包文件MyTest  -  SAIVDR包的单元测试脚本QuickStart  -  * SAIVDR包* SETPATH  -  * SAIVDR包的路径设置* *包结构+ SAIVDR  -  +  -  TestCase  -+  -  DCNN |||+  -  sparserep |||+  - 嵌入|||+  - 字典 -  +  -  nsolt  -  +  - 设计| | | | | +- nsoltx -+- design | | | | | +- nsgenlot -+- design | | | | | +- nsgenlotx -+- design | | | | | +- olaols | | | | | +- olpprfb | | | | | +- udhaar | | | | | +- generalfb | | | | | +- mixture | | | | | +- utility | | | +- restoration -+- ista | | | | | +- pds | | | | | +- metricproj | | | | | +- denoiser | | | +- degradation -+- linearprocess | | | | | +- noiseprocess | | | +- utility | +- dcnn | +- sparserep | +- embedded | +- dictionary -+- nsolt -+- design | | | | | +- mexsrcs | | | +- nsoltx -+- design | | | | | +- mexsrcs | | | +- nsgenlot -+- design | | | +- nsgenlotx -+- design | | | +- olaols | | | +- olpprfb | | | +- udhaar | | | +- generalfb | | | +- mixture | | | +- utility | +- restoration -+- ista | | | +- pds | | | +- metricproj | | | +- denoiser | +- degradation -+- linearprocess | | | +- noiseprocess | +- utility

要求

• Matlab R2013b或更高版本。建议使用R2021A。
• 信号处理工具箱
• 图像处理工具箱
• 优化工具箱

Recomendation

• 深度学习工具箱
• 全局优化工具箱
• 并行计算工具箱
• Matlab编码器
• GPU编码器

简单的介绍

1. 将当前目录更改为此文件在MATLAB上的位置。

2. 使用以下命令设置路径：

   > > setpath

3. 如果您有MATLAB编码器，则构建MEX代码。

   > > mybuild

4. 在这个包的第二层目录“examples”下可以找到几个示例代码。将当前目录更改为第二层目录“examples”下的一个目录，并执行一个名称以“main”开头的M-file，例如

   >> main_xxxx.

   然后执行一个名称以'disp'开头的m文件，例如

   >> DISP_XXXX.

联系地址

MURAMATSU，新潟大学工学院，8050 2-no-cho Ikarashi, Nishi-ku, Niigata, 950-2181，日本http://msiplab.eng.niigata-u.ac.jp/

参考文献

• Genki Fujii，Yuta Yoshida，Shogo Muramatsu，Shunsuke Ono，Samuel Choi，Takeru Ota，Fumiaki nin，Hiroshi Hibinotitle：“OCT容量数据恢复，折射率潜在分布，”Proc。2019年IEEE国际图像处理国际会议（ICIP），PP.764-768，2019年9月

• Yuhei Kaneko，Shogo Muramatsu，Hiroyasu Yasuda，Kiyoshi Hayasaka，Yu Otake，Shunsuke Ono，Masahiro Yukawa，“卷积稀疏的动态模式解码及其在河流估计中的应用，”Proc。2019年IEEE国际音响，演讲和信号处理国际会议（ICASSP），2019年5月PP.1872-1876

• Shogo Muramatsu，Samuel Choi，Shunske Ono，Takeru Ota，Fumiaki nin，Hiroshi Hibino，“OCT体积数据恢复通过原始 - 双重插头和游戏方法”Proc。2018年IEEE声学，演讲和信号处理国际会议（ICASSP），PP.801-805，2018年4月

• Shogo Muramatsu, Kosuke Furuya, Naotaka Yuki，“多维不可分离过采样重叠变换:理论与设计”，IEEE导论。在信号的过程。，第65卷，第5期，pp.1251-1264, DOI:10.1109/TSP.2016.2633240, 2017年3月。

• 哥打堀池和Shogo Muramatsu，“快速卷积技术，不可分离过采样的覆盖变换”，Proc。作者：王莹，亚太地区assoc。年度首脑会议和联合会。（APSIPA ASC），2016年12月

• Shogo Muramatsu，Masaki Ishii和Zhiyu Chen，“高效参数优化，以非可分离的过采样覆盖变换为基础的设计，”Proc。2016年IEEE INTL。Conf。在图像过程中。（ICIP），PP.3618-3622，2016年9月

• “基于二维不可分离过采样重叠变换的结构化字典学习方法”，中国科学院研究生院学报，vol . 29, no . 1 - 5, 2014

• Kousuke Furuya，Shintaro Hara和Shogo Muramatsu，“2-D不可分离过采样的边界操作，Proc。作者：王莹，亚太地区assoc。年度首脑会议和联合会。（APSIPA ASC），2013年11月

• Shogo Muramatsu和Natsuki Aizawa，“用2-D不可分离过采样的覆盖变换的图像恢复”Proc。2013年IEEE图像过程国际会议。（ICIP），PP.1051-1055，2013年9月

• Shogo Muramatsu和Natsuki Aizawa，“二维不可分离过采样重叠变换的晶格结构”，2013年IEEE声学、语音和信号处理国际会议。(ICASSP)， pp.5632-5636, 2013年5月

确认

这项工作得到了JSPS Ka金宝appkenhi Grant Number JP23560443，JP26420347和JP19H04135的支持。

贡献者

Developpers

• Shintaro Hara，2013-2014
• 郎Natsuki AIZAWA, 2013 - 2014
• 北岛康介本人FURUYA, 2013 - 2015
• Naotaka Yuki，2014-2015
• Yuya Kodama，2020-
• Yasas GODAGE, 2021年

测试的捐献者

• 2014 - Hidenori渡边
• Kota Horiuchi，2015-
• 正树ISHII, 2015年
• Takumi Kawamura，2015-
• 肯特·塞诺诺，2015年 -
• Satoshi Nagayama，2017-
• Shota Kayamori，2017-
• 都藤井,2017年
• Naoki山崎,2017年
• Yuhei Kaneko，2017-
• Nawapan Laocharoensuk，2019-
• Yusuke Arai，2020-