1、 分佈式壓縮感知
編碼端十分簡單，每個信號分別進行CS測量。而解碼端複雜，將信號集在一起進行聯合重構。如圖1所示：
圖1
分佈式壓縮感知的基礎是聯合稀疏模型，即JSM模型，目前有三種，其中JSM-1：信號集中的信號之間相關性很強，每個信號都由公共信號部分和獨立信號部分組成，且均稀疏。
由於這種特性，因此在壓縮感知過程中，可以對key frame進行更多次測量，而對non-key frame進行少量測量（編碼端的低複雜性並非能找出信號的獨立部分），從而可以用較少的測量值獲得精確的重構效果。
因此，利用該模型的壓縮感知可以既能消除時間冗餘（幀間相關性），又能消除空間冗餘（幀內相關性）。第一次看到JSM模型時，錯以爲編碼端進行區分公共部分和獨立部分並進行測量，當時讓我百思不得其解。
2、 分佈式視頻壓縮感知
由於視頻是由連續的幀組成，且時間冗餘特別的大，即幀間相關性很強，因此十分適合使用分佈式壓縮感知。
文獻[1]：DISTRIBUTED COMPRESSIVE VIDEO SENSING， Li-Wei Kang and Chun-Shien Lu，ICASSP。作者提出分佈式壓縮視頻感知，編碼端獨立每一幀的測量，根據JSM-1模型，key frame 需要更多的測量，non-key frame可以減少測量數目。解碼端對key frame直接進行GPSR重構，對於non-key frame重構時，需要利用key
frame的邊信息（side information）進行輔助重構。不失一般性，設有兩個幀，Xt Xt+1，對Xt進行直接重構得到Xt的估計，由於前一時刻與後一時刻均有公共部分，因此將Xt的估計作爲Xt+1的估計，輔助重構Xt+1。
文獻[2]:Dynamic measurement rate allocation for distributed compressive video sensing，Hung-Wei Chen, Li-Wei Kang,SPIE。 作者基於上篇文章，提出將CS幀（non-key幀）進行分塊處理，key frame不分塊，這樣好處是key frame重構質量高，繼而提供邊信息進行聯合重構，提高整體恢復質量。對於分塊CS幀，作者設計了自適應確定測量率。
作者提出：由於編碼端無法獲得raw data，對於CS幀，爲了依據前一時刻幀中block的稀疏性估計下一時刻的相應block的稀疏性，則通過解碼端key frame反饋信息的方式。
核心思想是：在解碼端利用重構出的Xt的塊的稀疏性去估計下一個幀Xt+1的相應塊的稀疏性，從而確定編碼端的測量率。由於，解碼端Xt的稀疏表示是固定DWT基，而Xt+1是訓練字典，作者使用訓練字典來對Xt進行稀疏表示，因此能很好的估計Xt+1，之後通過每塊係數的變化率確定每塊的測量率。
同一時期關於分佈式壓縮視頻感知的論文有三篇：
（1）distributed compressive video sensing，臺灣中央研究院，ICASSP 2009 ，April 19-24
（2）distributed video coding using compressive sampling ，馬毅等，PCS 2009 ，May 6-8
（3）distributed compressed video sensing，Lu Gan 等，ICIP 2009，November 7-10
論文（1）：
編碼端：分別對key frame和non-key frame進行CS測量，其中non-key frame採用分塊技術。根據JSM-1模型，key frame的測量率應該大於non-key frame。稀疏表示使用DWT基，測量矩陣採用SBHE矩陣。
解碼端：key frame採用GPSR進行恢復。同樣根據JSM-1模型，利用前一幀的信息來重構當前幀，即key frame提供side information 給non-key frame，採用修正的GPSR進行重構（根據side information計算初始值和終止條件）。what's side information？what's GPSR？
論文（2）：
編碼端：區分key frame和CS frame，對於key frame採用傳統的H.264編碼，CS frame則分塊測量。對n個像素的塊組成的列向量進行分塊測量，得到n個測量值，之後進行b bts的量化，最後選取m個進行傳輸。量化的作用是？
解碼端：key frame採用傳統的方式進行解碼。對於CS幀解碼的基是從字典中選取，字典是由當前塊所在幀的前P個幀的相應塊位置（以x爲中心，w*w個像素範圍）選取的塊組成。然後通過解l1範式問題求得重構值。
作者提出三種機制，分別是skip機制、single機制、L1機制。skip機制中，如果編碼端會計算當前塊和之前解碼key frame相應塊的均方誤差，若小於約定值，則skip，解碼端根據之前的塊copy作爲重構。因此，編碼端需要接收重構的key frame並計算均方誤差，增加了複雜度，另外由於編碼端無法獲得原始數據，可行？single機制中,發送端發送前面m1個測量值，利用該測量值與字典中各個塊的前m1測量值進行MMSE計算，若低於約定值，則選中該塊作爲恢復。否則，使用L1機制，繼續發送剩下m2個測量值。編碼端和解碼端的信息溝通是通過feedback
channel。下圖所示。
論文（3）:
編碼端：K-frame採用傳統方式編解碼。對於cs frame採用基於塊和基於frame的CS測量（連續傳遞測量值）。
解碼端：基於塊的測量值傳到解碼端，根據JSM模型進行稀疏限制的塊預測，算法能找出時域內相鄰塊（包括key frame）的最小數目的線性表示。如圖所示，基於frame的測量值聯合基於塊的測量值，得到一個完備的測量矩陣，同時，基於塊的預測也能獲得一個測量矩陣，兩者相減可以獲得誤差的測量矩陣，由於該誤差稀疏，因此可以重構。最後將預測後的幀加上預測誤差得到最後的結果。
總結：
1. 基於frame的測量稀疏性較基於塊的更好，能夠獲得全局信息。基於塊能獲得局部信息，重構質量較高，但存在塊效應。
2. 基於塊的CS靈活性較高，能夠根據不同塊設計不同基、測量矩陣，適合尺寸較大的圖像流。
3. 在論文（1）中，key frame採用基於frame的測量，原因是其重構質量更高？
4. 論文（1），對於key frame和non-key frame均採用CS測量，編碼端簡單。論文（2）（3）對於key frame採用傳統的方式，恢復質量高，但編碼端較複雜。
5. 論文（2）未具體講述如何進行最優的塊預測？？
在（二）中文獻（1）的基礎上，作者發表了文獻（4）、文獻（5）
文獻（5）：DICTIONARY LEARNING-BASED DISTRIBUTED COMPRESSIVE VIDEO SENSING，臺灣中央研究院liweikang，PCS2010
文獻（6）：Dynamic measurement rate allocation for distributed compressive video sensing，臺灣中央研究院liweikang，VCIP2010
個人認爲文獻（5）借鑑了文獻（2）中字典的設計，並把K-SVD算法引入，得到此篇文章。
字典學習步驟：
1.當前幀的前一key frame和後一key frame得到It（side information ）。
2.對上述三幀進行分塊，對每個塊提取9個training patches（哪9個？）。
3.利用上述patches，根據K-SVD算法訓練得到字典Dt。
side information：根據分佈式壓縮視頻感知(一)中分佈式視頻編碼框架，由已解碼的key frame和之前的WZ幀生成side information，它的作用在於作爲當前幀的估計，利用該邊信息和接收到的WZ幀一起得到當前幀的解碼。一般做法是：在相鄰的兩個key frame之間利用運動估計得到插值幀的運動軌道，利用運動補償生成邊信息。
個人認爲文獻（6）借鑑了文獻（2）中的反饋機制，設計了基於解碼端已重構幀的相應塊的稀疏性的動態測量率。該節在分佈式壓縮視頻感知(一)提到，此處略。
文獻（6）distributed compressive video sensing： a review of the state-of-the-art architectures，M2VIP 2012.11
文獻（7）Adaptive Dictionary Learning for Distributed Compressive Video Sensing ，期刊JDCTA（EI檢索），2012
作者綜合前幾篇文獻之後提出，編碼端將key frame和CS frame均採用基於塊的CS測量，CS frame量化後的向量進行編碼；解碼端，key frame採用基於字典的重構，區別與以往文獻。作者對文獻（6）cs frame的分塊的動態測量策略進行改進，使用局部稀疏和remote joint sparstity，局部稀疏性通過計算SI代替當前幀（feedback）
個人感覺remote joint sparstity來設計編碼端測量率是有問題的，另外SKIP機制說的也不清楚。上述之外作者的改進：利用modified MOD訓練字典。
原文地址：http://blog.sina.com.cn/u/1726197622
