Redução do Erro de Representação em Sensoriamento Compressivo com Modelos Generativos Usando Ajuste por Pivô

Abstract

A redução do volume de dados transmitidos é essencial para implementação de redes com dispositivos de baixo poder computacional e limitações de energia. Nesse sentido, o sensoriamento compressivo torna-se uma alternativa poderosa, já que passa ao nó servidor central a tarefa de maior complexidade computacional, em contraste ao esquema tradicional de compressão. Recentemente, uma combinação entre sensoriamento compressivo e modelos generativos foi desenvolvida, dando origem ao CSGM (Compres sive Sensing using Generative Models). Apesar do CSGM reduzir o erro de reconstrução, este introduz o chamado erro de representação. Para reduzir o erro de representação em CSGM, este trabalho introduz uma técnica baseada no retreinamento do modelo em tempo de descompressão. Dessa forma, a ex pansão do alcance do modelo generativo para incluir o sinal desejado torna-se possível. Os resultados mostram ganhos de desempenho na reconstrução do sinal de até 30% em comparação com as técnicas Deep Image Prior (DIP) e Wavelet Thresholding (WT), tradicionalmente utilizadas na literatura.