联合全局与局部特征的深度压缩感知图像重构

摘要：

从极少量的测量值中有效且高概率高质量恢复出原始信号是压缩感知图像重建研究的核心问题,学者们相继提出了传统和基于深度学习的压缩感知图像重建算法,传统算法通常基于优化模型迭代求解,重建质量和重建速度都无法保证;基于深度学习的算法重建质量相对较高,但缺乏物理可解释性.受滤波流的启发,本文提出了联合全局与局部的深度压缩感知图像重建模型(G2LNet),其以卷积层执行压缩采样以及初始重建过程,利用快速傅里叶卷积与滤波流,同时考虑了图像全局上下文信息和图像像素局部邻域信息,联合学习优化测量矩阵与滤波流,建立了完整的端到端可训练的深度图像压缩感知重建网络.经实验验证,在压缩感知图像重建领域常用的Set5,Set11,BSD68测试集上取得了良好的重建效果,在采样率为20%的情况下,G2LNet的图像重建质量相比于经典的传统算法MH与基于深度学习的算法CS-Net的平均PSNR分别提高了2.29 dB,0.51 dB,有效提升了重建图像质量.

关键词：压缩感知、图像重建、快速傅里叶卷积、滤波流、深度神经网络

所属期刊栏目：31

分类号：TP394.1;TH691.9(计算技术、计算机技术)

资助基金：国家自然科学基金;重庆市技术创新与应用发展面上项目

在线出版日期：2023-08-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：2135-2146