נושא הפרוייקט
מספר פרוייקט
מחלקה
שמות סטודנטים
אימייל
שמות מנחים
מימוש אלגוריתמי חישה דחוסה מבוססי למידה עמוקה
Realizability of DL-based CS algorithms
תקציר בעיברית
תיאורית החישה הדחוסה (Compressive Sensing) מאפשר לבצע חישה של אותות בקצב הנמוך מקצב נייקוויסט, באופן המאפשר שחזור של האות באופן מלא. מודלים של מערכות CS רבות מתבססות על ניתוח סימולטיבי חלקי או מלא של חישת האותות, תוך הזנחה של השפעות תהליך החישה הפיזי על יכולת השחזור. מטרת הפרויקט הינה ניתוח השפעות תהליך החישה הדחוסה של תמונות במצבי דימות אמיתיים כדוגמת היווצרות רעשים בתהליך החישה. בנוסף לכך, יצירת סט תמונות בוחן, המכיל מגוון רחב של תמונות שמטרתו לדמות את השפעות החישה הדחוסה הנוצרים במצבי דימות אמיתיים. ניתוח התוצאות של שיטות השחזור השונות מעלה כי השפעות הרעש הפיזי במצבי הרעשה שונים גורמות לירידה ביכולות השחזור. אם זאת, ירידה זו אינה אחידה בין השיטות השונות ותלויה באופן הדגימה והשחזור, באחוזי הדגימה מן התמונה המקורית, בשימוש ביכולות הפחתת רעשים הקיימות השיטות, ובסט הבוחן באמצעותו בוחנים את יכולות השחזור.
תקציר באנגלית
Compressive Sensing (CS) is a theory that allows sampling signals in sub-Nyquist frequencies such that is possible to perform full reconstruction of the original signal. Today many CS models are based on partial or complete simulation of the sensing process under the neglection of physical sensing effects over the CS process. Our project goal is to analyze the effects of compressive imaging, such as noise created during the sensing process. Additionally, we built a dataset to help us simulate CS sensing effects created in a real CS sensing process to optimize the evaluation of CS reconstruction algorithms. Our dataset includes various images that tested the algorithms on multiple scenarios. Analysis of the results found that physical noise through our dataset may deteriorate significantly the reconstruction capabilities of the algorithms. The damages depend on different factors, such as, sampling and reconstruction methods, sampling ratio, denoising capabilities and the dataset.