基于局部结构采样的图像压缩感知编码的深度网络
内容提要
该文综述深度学习压缩感知进展，涵盖训练采样矩阵与重构网络以提升采样效率和恢复质量。方法包括卷积网络、循环残差、非局部先验、生成器元学习、自监督可扩展及多尺度小波等，在PSNR和视觉质量上优于传统方法，并支持彩色图像、任意采样率及1D/2D/3D信号。
延伸解读
技术演进：从固定采样到可学习采样
文章梳理了深度压缩感知的发展脉络，早期方法如2016年的块状深度学习算法，使用全连接网络优化感知矩阵和非线性重构算子。随后，卷积神经网络（CNN）被引入，显著提升重建质量。2018年的R^2CS-NET结合循环残差结构，增强了鲁棒性和泛化能力。2023年的自监督可扩展方法（SCL/SCNet）进一步摆脱了对真实标签的依赖，支持任意采样率。这一演进显示采样矩阵从固定随机向数据驱动可学习转变，重构网络也从简单堆叠向复杂结构发展。
关键创新：非局部先验与多尺度变换
文章重点介绍了利用非局部先验和多尺度变换提升性能的方法。2021年的NL-CSNet在测量域和多尺度特征域中引入非局部自相似先验，改善了重构质量。2023年的MS-DCSNet则利用多尺度小波变换，在不同尺度上捕获图像块并直接重建，增强了最终质量。这些方法表明，结合图像的内在结构先验（如非局部相似性、多尺度特性）能有效弥补深度网络在压缩感知中的不足，为高质量重建提供了新思路。
应用扩展：从灰度到彩色与多维信号
文章指出，深度压缩感知方法已从灰度图像扩展到彩色图像和1D/2D/3D信号。R^2CS-NET通过利用通道相关性实现彩色图像压缩感知。2023年的自监督方法在1D/2D/3D信号上均取得显著效果，且能处理任意采样比率和矩阵。这表明深度网络不仅提升了传统图像任务的性能，还增强了压缩感知的通用性和灵活性，为更广泛的应用场景（如医学成像、视频处理）奠定了基础。
性能优势：PSNR与视觉质量的双重提升
文章多次强调，深度学习方法在PSNR和视觉质量上均优于传统压缩感知方法。例如，基于CNN的框架在2018年显著提高了图像重建质量；R^2CS-NET在基准测试中表现出色；自监督方法可与最先进的有监督方法竞争。这些改进不仅体现在数值指标上，还反映在视觉感知上，如减少阻塞伪影（CASNet的多块训练方案）。这表明深度网络能更有效地捕捉图像特征，实现更高质量的恢复。
Q&A
深度网络在图像压缩感知中主要解决了哪些问题？
深度网络主要解决压缩感知中的采样效率和信号恢复问题，通过训练采样矩阵和设计类似压缩感知重构过程的深度网络，显著提高图像重建质量。
有哪些基于深度学习的压缩感知重构方法？
包括基于卷积神经网络（CNN）的框架、循环残差结构约束的R^2CS-NET、结合生成器和元学习的框架、非局部神经网络（NL-CSNet）、基于块的深度学习算法、非局部先验的NL-CS Net、自监督可扩展方法SCL和SCNet、多尺度小波卷积神经网络MS-DCSNet以及内容感知可扩展网络CASNet等。
R^2CS-NET方法有什么特点？
R^2CS-NET基于循环残差结构约束，能在适应性在线优化和图像重构中整合在线优化的鲁棒性与深度学习方法的效率和非线性能力，还可利用通道相关性实现彩色图像压缩感知，具有较高的鲁棒性和泛化能力。
自监督可扩展深度压缩感知方法SCL和SCNet有什么优势？
SCL和SCNet不需要真实标签（GT），可以处理任意的采样比率和矩阵，在1D/2D/3D信号上取得显著效果和优越性能，具有灵活性和泛化能力，能与最先进的有监督方法竞争。
CASNet是如何实现内容感知可扩展压缩感知的？
CASNet采用数据驱动的显着性检测器评估图像区域重要性，基于显着性的块比率聚合策略分配采样率，用联合可学习的生成矩阵生成任何CS比率的采样矩阵，并拥有优化启发式恢复子网络和多块训练方案以防止阻塞伪影，能联合重建不同采样率采样的图像块。
多尺度小波变换在深度压缩感知中如何应用？
MS-DCSNet利用多尺度小波变换将图像信号转换，通过卷积模块在不同尺度上捕获块并直接从多尺度测量重建初始重构图像，再利用多尺度小波卷积技术增强最终重构质量，从而学习多尺度采样和多尺度重构，改善重构质量。
