面向异构图像压缩感知的阶数自适应多假设重构

大数据时代到来,使得图像传感应用面临大维度处理与大容量传输的挑战,压缩感知技术及相关算法在一定程度上解决了该问题。然而,现有压缩感知算法存在对异构图像集泛化性不足的问题,需要为此类图像集设计高泛化性的压缩感知重构算法。因此,基于泛化性较高的多假设预测机制,提出一种阶数自适应多假设重构算法。首先通过窗口自适应线性预测器对各块进行预处理,根据预处理获得的相关性指标,改变多假设搜索窗口的大小,并依据相似度对搜索窗口内的预测块进行排序,结合自适应的搜索窗口挑选不同数量的高相似预测块,生成多假设预测的重构图像。选取自然图像集以及X光胸片和脑磁两个异构图像集进行实验,在不同采样率下对比所提算法与传统的多假设压缩感知重构算法以及两种新近提出的基于多假设预测的算法性能。实验结果表明,所提算法具有良好的性能提升。在自然图像集下,相比两种新近提出的基于多假设预测的重构算法,所提算法保持了一定的恢复质量,且运行时间分别减少了17.5%,28.7%。此外,相比两种新近提出的算法,在胸片图像集下,所提算法分别获得了1.16 dB,1.43 dB的平均PSNR提升,以及36.1%,21.5%的平均运行时间减少;在脑磁图像集下,所提算法分别获得了1.64 dB,1.97 dB的平均PSNR提升,以及平均28.6%,26.1%的运行时间减少。整体而言,所提算法具有较低的时间复杂度、较高的恢复质量,综合性能更佳。

基于变采样率的多假设预测分块视频压缩感知

现有的分块视频压缩感知通常对所有图像块均采用相同的测量矩阵进行测量,这种平均分配采样率的测量方式忽略了视频中不同区域的结构复杂度和变化程度不同的事实。针对这一问题,该文根据视频帧间相关性的分布特点提出了一种自适应分配采样率的变采样率压缩感知方法。将图像块按照帧间相关性的大小分类并分配不同的采样率,重构过程采用变采样率多假设预测算法以充分利用帧间相关性。实验结果表明该文算法能够在低采样率下重构出高质量的视频图像,而且这种变采样率测量的方式有利于提高运动剧烈区域的重构质量。

CVS中基于多参考帧的最优多假设预测算法

现有的视频压缩感知(CVS)多假设预测方法均以当前块在参考帧对应搜索范围内的所有搜索块为假设块,造成求解线性权值系数的计算复杂度过高和预测精度受限.针对该问题,文中提出了一种基于多参考帧的最优多假设预测视频压缩感知重构算法.该算法首先从多个参考帧中选取出与当前块测量域绝对差值和(SAD)最小的一部分搜索块作为当前块的最优假设块集,然后对假设块进行自适应线性加权,充分地挖掘视频帧间相关信息,提升了预测精度,同时降低了求解线性权值系数的计算复杂度;最后对测量值进行帧间DPCM量化,以提高视频压缩效率和率失真性能.仿真实验表明,与现有的视频压缩感知重构算法相比,文中算法具有更高的视频重构质量.

基于空谱联合的多假设预测高光谱图像压缩感知重构算法

为充分利用高光谱图像的空间相关性和谱间相关性,该文提出一种基于空谱联合的多假设预测压缩感知重构算法。将高光谱图像分组为参考波段图像和非参考波段图像,参考波段图像利用光滑Landweber投影算法重构,对于非参考波段图像,引入空谱联合的多假设预测模型,提高重构精度。非参考波段图像中每个图像块的预测值不仅来自非参考波段图像未经预测的初始重构值的相邻图像块,而且来自参考波段重构图像相应位置及其邻近的图像块,利用预测值得到测量域中的残差,然后对残差进行重构并对预测值进行修正,此残差比原图像更稀疏,且算法采用迭代方式提高重构图像的精度。借助Tikhonov正则化方法求解多假设预测的权重系数,并基于结构相似性判断是否改变多假设预测搜索窗口大小,最后利用交叉验证计算重构算法终止迭代的判据参数。实验结果表明,所提算法优于仅利用空间相关性或谱间相关性进行预测和不预测的重构算法,其重构图像的峰值信噪比提高2 d B以上。

DCVS中插值多假设预测重构算法

结合视频编码系统中分像素精度运动估计的思想,对分布式视频压缩感知系统(DCVS)中插值多假设预测重构算法进行研究。根据自然图像像素连续特性,在传统帧内多假设集合的基础上,对关键帧进行插值构成字典,进行帧内插值多假设预测重构;根据视频序列中物体在帧间产生的位移量具有任意性的特点,在传统帧间多假设集合的基础上,对压缩感知帧进行插值构成字典,进行帧间插值多假设预测重构。实验结果表明,与多假设预测重构算法相比,该算法使视频序列重构质量提高了2dB-4dB。

特征域多假设预测视频压缩感知重构神经网络

在预测-残差重构框架中,利用视频时间相关性进行多假设预测是视频压缩感知重构的关键步骤。针对目前的视频压缩感知多假设重构神经网络预测精度不够,且理论解释性较差等问题,文中结合传统多假设理论,提出了一种特征域多假设预测视频压缩感知重构网络(FMH_CVSNet)。首先,提出了一种新的特征域多假设预测模块,通过构造合理的运动估计模块与假设权重求解模块来增强网络的预测能力;然后,提出了两阶段多参考帧运动补偿模式,以适应序列特征构造更优的假设集,进一步提升预测精度。仿真结果表明,FMH_CVSNet在各实验条件下均取得了较好的重构性能,相比于2sMHR和VCSNet-2,平均PSNR分别提升了4.76、3.87 dB。

一种新的多假设运动补偿预测算法

多假设运动补偿预测(multi-hypothesis motion compensated prediction,MHMCP)算法目前只应用于H.264/AVC视频编码标准中B帧的双向预测模式,因为其需对多个运动矢量及参考帧信息进行编码,而且其最终预测信号由前/后向参考帧中的最佳运动补偿信号(假设值)求和取平均值获得,精确性不够。针对MHMCP传统算法的缺陷,提出了一种新的MHMCP算法,即在保持当前最佳编码模式不变的基础上,首先通过加入前/后向运动矢量导出搜索模式来进行假设值的局部优化,并对多假设值进行自适应权重系数调整;最后通过比较率失真代价来选择最佳编码模式。模拟实验表明,该新算法可有效降低残差信号能量,不但能提高运动补偿预测信号的精确度,而且能使编码器获得更佳的率失真性能。

基于自适应采样的多假设预测残差重构算法研究

为保证遥感视频序列的高质量重构,本文结合视频序列的高时空冗余特点,在基于块的分布式视频压缩感知(Distributed video compressed sensing,DVCS)框架的基础上提出了一种基于自适应采样的多假设预测残差重构模型及基于变采样率的多假设预测残差重构算法.首先对目标帧进行预测,根据各块预测精度的不同自适应地分配采样率;然后用变采样率多假设预测残差重构算法重构出目标帧;最后利用双向运动估计对重构结果进行修正.仿真结果表明该算法能够在降低采样率的同时保证良好的主客观重构质量;相同采样率条件下,重构精度比MC-BCS-SPL算法提高大约7 d B,比MH-BCS-SPL算法提高大约1 d B.

基于时空相关性的分布式压缩感知多假设预测重构算法

综合考虑到视频序列本身的不同特性以及时空相关性,将传统视频编码中的多假设预测运动估计思想引入到分布式压缩感知视频编码系统中,提出一种新的基于时空相关性的分布式压缩感知多假设预测重构算法。在编码端增加CS帧的块模式判别,在解码端CS帧根据模式判别进行相应的基于块的多假设预测估计和残差稀疏重构。仿真实验表明,与传统的分布式压缩感知多假设预测重构算法相比,所提出的算法能够较好地改善视频序列的重建质量。

基于多假设运动补偿预测的边信息改进方法

根据分布式系统中边信息和原信息之间的噪声模型,提出一种基于多假设运动补偿的边信息改进方法。使用传统方法生成原始的边信息,对其进行双向运动估计产生补偿块,将补偿块线性组合成新的边信息。实验结果表明,该算法具有复杂度较低的优点,能提高边信息的质量,从而有效地改善分布式视频压缩的率失真性能。

我国上市公司盈利预测信息披露问题研究

随着中国经济和证券市场的发展,盈利预测信息在传递公司信息、提高证券市场透明度、引导投资者决策和促进资源合理配置等方面的作用越来越大,也日益引起投资者和监管机构的关注和重视。如何建立一套完善的盈利预测信息披露制度,以规范其生成与传递、保障其可靠性,是现阶段中国证券市场的迫切需要。

对盈利预测审核的几点思考

一）１９８１年，电影《第一滴血》仍在制作之中，一个名为“第一滴血”的合伙公司成立并于第二年购得该电影版权。１９８２年秋，“第一滴血”普通合伙人进行了一次吸收有限责任合伙人的私下募资。在募资备忘录中，包含了由塔奇·罗丝会计师事务所审阅并发表会计报告的财...

试论我国上市公司盈利预测信息的披露

盈利预测在证券市场中扮演着十分重要的角色 ,但目前我国盈利预测信息的可靠性较差 ,这既有主观原因 ,也有客观原因 ,应建立健全盈利预测规范体系 ,发展和完善注册会计师审计制度 ,制定和执行科学、配套的会计规范体系 ,制约和惩罚提供虚假盈利预测信息的行为。

论上市公司盈利预测信息自愿披露的管制

盈利预测是指预测主体以合理的预测假设和预测基准为前提，对其未来期间的盈利情况（包括利润总额、净利、每股收益等）做出预计和测。上市公司披露盈利预测信息对预测公司的未来业绩及公司价值具有重要意义。

上市公司财务预测信息披露的方式与框架

信息是证券市场的灵瑰,它是投资者进行投资决策的依据。会计信息是上市公司所披露信息的重要组成部分,它包括反映历史经济活动的信息(下称“历史信息”)和着眼于未来的信息(下称“未来信息”)。如何规范上市公司历史信息的披露,一直是世界各国会计界致力于研究的共同课题,并已取得丰硕的成果。而对上市公司如何披露未来信息这一问题的研究,问津者尚少,尤其在国内。财务预测信息是上市公司所披露的一种重要的未来信息,本文对其方式与框架进行研究,以供参考。

视频压缩感知中基于菱形快速搜索的双匹配区域预测

多假设预测是视频压缩感知多假设预测残差重构算法的关键技术之一,但目前的多假设预测算法对运动剧烈的视频序列依然存在计算复杂度高且质量不佳的缺陷,而且由于观测值与真实信号是一对多的关系,只采用观测值的绝对误差和准则选择假设块容易引入噪声,从而限制了重构质量.针对这些问题,文中结合视频前/后景的运动特征,提出了基于菱形快速搜索的双匹配区域多假设预测算法(MH-DS),即利用菱形快速搜索方式确定当前解码块的前景/后景的运动矢量,获得两个最佳搜索窗,从中搜索多假设匹配块组;在匹配过程中,采用融合最小均方误差和最大匹配像素统计的块匹配准则,以得到更相关的假设块.仿真结果表明,基于菱形快速搜索的双匹配区域多假设算法能够有效地降低重构端多假设预测过程的计算复杂度,与现有最优视频压缩感知预测-重构算法相比,提升了预测精度和重构质量.

深层特征域运动估计和多层多假设运动补偿的视频压缩编解码网络

传统视频压缩编码方法被广泛使用,为了进一步提高压缩性能,基于深度学习的视频压缩编码方法的研究日益受到关注。现有深度学习的视频压缩编码方法基于光流实现运动补偿,在光流对齐过程中会产生伪影现象,降低了预测的准确性。文中提出了深层特征域的运动估计思路,设计了相应的神经网络在深层特征域提取运动信息。在此基础上,提出了多层多假设预测的运动补偿网络,通过在深层特征域、浅层特征域以及像素域3个层次使用多假设预测模块,提升运动补偿的准确性,提高整体的率失真性能。仿真结果表明,文中算法帧间预测结果减缓了伪影现象,视觉效果明显优于光流对齐。同时,文中算法与传统H.264、H.265方法和基于深度学习的单帧参考方法DVC、DVCpro相比,在高比特率和低比特率的情况下均取得了较好的率失真性能。与研究前沿的DCVC方法相比,在率失真性能相近的同时,文中算法减少了约26.8%的编码时间。以H.264编码结果为基准,于相同比特率条件下,文中算法在HEVC测试序列ClassB、ClassD、ClassE上的解码质量分别提升3.73、4.76、2.65 dB。由仿真实验结果可知,文中算法对视频序列进行压缩编码时,提高了运动补偿预测帧的准确度,降低了预测误差,缩短了残差信号压缩编码码流,提升了整体的率失真性能。

基于运动对齐预测模型的分布式视频压缩感知重构

为了提高分布式视频压缩感知(Distributed Video Compressive Sensing,DVCS)的率失真性能,文中提出根据视频非关键帧图像的时间相关性将帧内各块分为静止块与运动块两类,并对它们设定不同的测量率以提高压缩感知(Compressive Sensing,CS)捕获信息的效率。在重构过程中,提出运动对齐多假设预测模型进行重构,该预测模型在测量域内实现运动估计,并根据运动信息在参考帧内寻找到待重构块的若干候选匹配块,利用它们的线性加权和残差重构得到非关键帧图像的重构结果。仿真实验结果表明,文中所提出的DVCS重构算法能有效提升系统的率失真性能,与现有方法相比,在重构时间基本不变的情况下,获得更好的主客观视频重构质量。