摘要：在接收端进行预测和补偿的残差重建算法是一种高效的视频压缩感知重建算法.但是,残差重建算法没有应用当前图像的稀疏先验,算法性能完全依赖于预测结果的准确性.针对此问题,本文提出了一种基于联合总变分最小化的视频压缩感知重建算法以提升重建图像质量.为了联合应用待重建图像及对应残差值的稀疏先验,在所建立的重建模型中,分别计算目标图像块及其残差值的总变分范数;为求解最小化问题,引入新的变量,并基于split Bregman方法设计了一种迭代求解算法.实验结果表明,与同类算法相比,提出的重建算法可以在相同采样率下获得更高质量的重建图像.

摘要：目的在图像超分辨率(super resolution,SR)任务中采用大尺寸的卷积神经网络(convolutional neural network,CNN)可以获得理想的性能,但是会引入大量参数,导致繁重的计算负担,并不适合很多计算资源受限的应用场景。为了解决上述问题,本文提出一种基于双阶段信息蒸馏的轻量级网络模型。方法提出一个双阶段带特征补偿的信息蒸馏模块(two-stage feature-compensated information distillation block,TFIDB)。TFIDB采用双阶段、特征补偿的信息蒸馏机制,有选择地提炼关键特征,同时将不同级别的特征进行合并,不仅提高了特征提炼的效率,还能促进网络内信息的流动。同时,TFIDB引入通道关注(channel attention,CA)机制,将经过双阶段信息蒸馏机制提炼的特征进行重要性判别,增强对特征的表达能力。以TFIDB为基础构建模块,提出完整的轻量级网络模型。在提出的网络模型中,设计了信息融合单元(information fusion unit,IFU)。IFU将网络各层级的信息进行有效融合,为最后重建阶段提供准确、丰富的层级信息。结果在5个基准测试集上,在放大倍数为2时,相较于知名的轻量级网络CARN(cascading residual network),本文算法分别获得了0.29 d B、0.08 d B、0.08 d B、0.27 d B和0.42 d B的峰值信噪比(peak singal to noise ratio,PSNR)增益,且模型参数量和乘加运算量明显更少。结论提出的双阶段带补偿的信息蒸馏机制可以有效提升网络模型的效率。将多个TFIDB进行级联,并辅以IFU模块构成的轻量级网络可以在模型尺寸和性能之间达到更好的平衡。

摘要：利用高速热迁移掺杂工艺制成垂直多结 PN结阵列 ,同时扩散短路区在阵列的一端连接所有的 P区 ,形成一个单元电池 ,对大片不分割单元电池 ,只加宽金属线条将相邻单元电池的正负极短路形成欧姆接触 ,这样的单元电池的连接就是集成电池。这样的器件有两个光照面 ,电极对光的遮蔽面积非常小。

摘要：警惕﹃艺术性﹄汇报安徽公常侃“汇报也是一门艺术。”这个“妙论”的专利权当属一名“胡乡长”，他是小小说《汇报》中的主人公。且看他的“汇报艺术”：“语调不紧不慢，语气不轻不重，还露出一副自然大方的表情”；“一边说，一边半开眼皮不时地偷视路县长的神情”；笔...