Practical Compact Deep Compressed Sensing论文作者：
Bin Chen（陈斌） and Jian Zhang†（张健）（†通讯作者）作者单位：
收录刊物：
IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI)发表时间：
正式版本：
https://ieeexplore.ieee.org/document/10763443arXiv版本：
https://arxiv.org/abs/2411.13081代码链接：
https://github.com/Guaishou74851/PCNet
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：
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 。
- 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；
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
▲ 图2. 提出的协同采样算子
在 Set11、CBSD68、Urban100 和 DIV2K 等基准数据集上，PCNet 的性能显著优于其他方法，特别是在高分辨率（2K、4K、8K）成像任务中。此外，其采样矩阵可拓展至量化 CS 和自监督 CS 任务，展现了良好的通用性。
▲ 图3. 方法与其他CS方法的对比结果
视觉信息智能学习实验室（VILLA）由北京大学信息工程学院张健助理教授于 2019 年创立并负责，主要围绕“智能可控图像生成”这一前沿领域，深入开展高效图像重建、可控图像生成和精准图像编辑三个关键方向的研究。
张健老师带领 VILLA 团队已在 Nature 子刊 Communications Engineering、IEEE SPM、TPAMI、TIP、IJCV、NeurIPS、ICLR、CVPR、ICCV 和 ECCV 等高水平国际期刊和会议上发表论文 100 余篇，其中近三年，以第一作者/通讯作者发表 CCF A 类论文 40 余篇。张健老师谷歌学术引用 1 万余次，h-index 值为 49（单篇一作最高引用 1200 余次），获得北大青年教师教学比赛一等奖、国际期刊/会议最佳论文奖五次，主持国家科技重大专项课题、国自然重点项目课题、国自然面上以及与字节/华为/OPPO/创维/兔展等知名企业学术合作项目 10 余项。 在高效图像重建方面，张健老师团队的代表性成果包括优化启发式深度展开重建网络 ISTA-Net、COAST、ISTA-Net++，联合学习采样矩阵压缩计算成像方法 OPINE-Net、PUERT、CASNet、HerosNet、PCA-CASSI，基于信息流增强机制的高通量广义优化启发式深度展开重建网络 HiTDUN、SODAS-Net、MAPUN、DGUNet、SCI3D、PRL、OCTUF、D3C2-Net，以及无需真值的自监督图像重建方法 SCNet。团队还提出了基于自适应路径选择机制的动态重建网络 DPC-DUN 和用于单像素显微荧光计算成像的深度压缩共聚焦显微镜 DCCM，以及生成式图像复原方法 Panini-Net、PDN、DEAR-GAN、DDNM，受邀在信号处理领域旗舰期刊 SPM 发表专题综述论文。本工作提出的实用、紧致的压缩感知网络 PCNet 进一步提升了图像压缩感知的精度与效率。
更多信息可访问 VILLA 实验室主页（https://villa.jianzhang.tech/）或张健助理教授个人主页（https://jianzhang.tech/cn/）。
如何才能让更多的优质内容以更短路径到达读者群体，缩短读者寻找优质内容的成本呢？答案就是：你不认识的人。
总有一些你不认识的人，知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁，促使不同背景、不同方向的学者和学术灵感相互碰撞，迸发出更多的可能性。
PaperWeekly 鼓励高校实验室或个人，在我们的平台上分享各类优质内容，可以是最新论文解读，也可以是学术热点剖析、科研心得或竞赛经验讲解等。我们的目的只有一个，让知识真正流动起来。
📝 稿件基本要求：
• 文章确系个人原创作品，未曾在公开渠道发表，如为其他平台已发表或待发表的文章，请明确标注
• 稿件建议以 markdown 格式撰写，文中配图以附件形式发送，要求图片清晰，无版权问题
• PaperWeekly 尊重原作者署名权，并将为每篇被采纳的原创首发稿件，提供业内具有竞争力稿酬，具体依据文章阅读量和文章质量阶梯制结算
📬 投稿通道：
• 投稿邮箱：[email protected]
• 来稿请备注即时联系方式（微信），以便我们在稿件选用的第一时间联系作者
• 您也可以直接添加小编微信（pwbot02）快速投稿，备注：姓名-投稿
△长按添加PaperWeekly小编
🔍
现在，在「知乎」也能找到我们了
进入知乎首页搜索「PaperWeekly」
点击「关注」订阅我们的专栏吧
