北大提出实用、紧致的智能图像压缩感知技术，代码已开源！

创作时间:

作者:

@小白创作中心

北大提出实用、紧致的智能图像压缩感知技术，代码已开源！

引用

CSDN

https://blog.csdn.net/bagell/article/details/144367498

近日，北京大学信息工程学院的研究团队在图像压缩感知领域取得重要突破。其研究成果发表在顶级期刊IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI)上，提出了一种名为PCNet的新型压缩感知网络，该技术在保持高图像质量的同时大幅降低了存储和传输成本。

一、论文信息

论文标题：Practical Compact Deep Compressed Sensing（实用、紧致的深度压缩感知）
论文作者：Bin Chen（陈斌） and Jian Zhang†（张健）（†通讯作者）
作者单位：北京大学信息工程学院
发表刊物：IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI)
发表时间：2024年11月22日
正式版本：https://ieeexplore.ieee.org/document/10763443
ArXiv版本：https://arxiv.org/abs/2411.13081
开源代码：https://github.com/Guaishou74851/PCNet

二、任务背景

压缩感知（Compressed Sensing, CS）是一种信号降采样技术，可大幅节省图像获取成本。CS的核心思想是“无需完整记录图像信息，通过计算即可还原目标图像”。CS的典型应用包括：

降低相机成本：利用廉价设备就能拍摄出高质量图像；
加速医疗成像：将核磁共振成像（MRI）时间从40分钟缩短至10分钟内，减少被检查者的不适；
探索未知世界，助力科学研究：将“看不见”事物变为“看得见”，如观测细胞活动等转瞬即逝的微观现象，以及通过分布式射电望远镜观测银河系中心的黑洞。

CS的数学模型可表示为，其中是原始图像，是采样矩阵，是观测值。定义压缩采样率为。

CS面临两大核心问题：

如何设计采样矩阵，从而尽可能多地保留图像信息？
如何设计高效的重建算法，从而精准复原图像内容？

然而，现有CS方法仍存在两方面局限：

采样矩阵信息保留能力不足：将图像切块，逐块采样，导致观测值信息量有限；
重建算法的计算开销过大、复原精度有限。

三、主要贡献

本工作提出了一种实用、紧致的图像压缩感知网络PCNet，具有如下创新点：

一种新型压缩采样矩阵，能够融合图像的局部与全局特征，从而提高信息保留能力。具体采样过程分两步：首先，用一个小型卷积网络对图像滤波；其次，使用全局矩阵对滤波结果降维，生成压缩观测值；
一种新型图像重建网络，将传统近端梯度下降（Proximal Gradient Descent，PGD）算法与深度神经网络有机结合，利用先进模块设计显著提升重建精度。

图1：提出的实用、紧致的压缩感知网络PCNet。