基于多通道采样和注意力重构的图像压缩感知

近年来用于图像压缩感知的深度学习网络得到广泛关注,深度学习网络可以实现图像的压缩采样,并从采样数据重构出原始图像。但现有的压缩感知算法在信息分布不均匀的图像场景中,无法有效提取原始图像信息,导致重构精度较低。针对上述问题,本文提出了基于多通道采样和注意力重构的图像压缩感知算法。该算法包含了多个不同采样率的采样通道,能够根据视觉显著性对图像不同区域应用不同的采样率,使得采样数据中能够包含更多原始图像信息。重构采用了残差通道注意力结构,自适应调整通道特征来提高网络的表示能力。通过对比实验表明,本文提出的基于多通道采样和注意力重构的图像压缩感知算法能够取得更好的重构质量与视觉观感。     

不同膦酸改性氧化锆色谱固定相的性能研究

通过红外、元素分析对2种不同类型的膦酸化合物改性氧化锆的改性条件和改性机理进行了研究,结果表明:十二烷基膦酸(DPA)通过Lewis酸碱作用改性,室温浸泡即可达到满意的吸附量;而具有螯合结构的十二胺-N,N-二亚甲基膦酸(DDPA)与氧化锆结合时存在较强的络合作用,最佳改性条件为酸性条件下加热回流.2种膦酸改性氧化锆固定相都具有较好的疏水性,但由于吸附方式的不同,DDPA-ZrO2具有较强的阳离子交换作用和阴离子屏蔽作用,能更有效地用于极性化合物的分离.     

基于感知生成对抗网络的图像压缩感知重建

现有的深度压缩感知重建算法在低采样率下，由于使用像素损失指导优化的网络会使得重建的图像无法有效地提取出原始图像的纹理细节，导致重建图像视觉观感较差。针对上述问题，提出了基于感知生成对抗网络的图像压缩感知重建算法，用感知损失代替像素损失，使得重建图像细节和纹理特征保留。通过对比实验表明，提出的基于感知生成对抗网络的图像压缩感知重建算法在低采样率下重建出的图像具有更强的视觉效果和真实性。