用物理先验和语义引导提升低带宽下的图像感知精度与稳定性。

PISE: Physics-Anchored Semantically-Enhanced Deep Computational Ghost Imaging for Robust Low-Bandwidth Machine Perception

• 融合伴随算子初始化与语义引导，增强重建质量。
• 在5%采样率下准确率提升2.57%，方差降低9倍。
• 适合边缘设备上的低带宽、高鲁棒性感知任务。

我们提出PISE，一种面向低带宽边缘感知的物理信息深度鬼成像框架。通过结合伴随算子初始化与语义引导，PISE在5%采样率下使分类准确率提升2.57%，方差降低9倍。该方法利用物理模型约束与高层语义信息协同优化，显著增强在极端低采样条件下的重建稳定性和判别能力。实验表明，相比基线方法，PISE在真实场景下的鲁棒性显著提高，尤其适用于资源受限的边缘计算环境。模型在多个标准数据集上验证有效，展示了其在低带宽机器感知中的应用潜力。

原文摘要 · Abstract (English)

We propose PISE, a physics-informed deep ghost imaging framework for low-bandwidth edge perception. By combining adjoint operator initialization with semantic guidance, PISE improves classification accuracy by 2.57% and reduces variance by 9x at 5% sampling.

Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。