摘要: 针对压缩感知中重构算法的深度展开问题,提出了一种两步深度展开策略(two-step deep unfolding,TwDU)。已有深度展开重构算法通常依赖前一步估计值估计当前值,TwDU对已有深度展开重构算法增加估计深度,依赖于前两步估计值估计当前展开值。TwDU对已有深度展开算法前两步估计值增加了两个训练权重。训练权重优化利用了信号估计值之间的相关特性,可以随着数据的特性自我学习和调整,所提TwDU策略应用于可学习迭代软阈值算法(learned iterative soft thresholding algorithm, LISTA)、可训练迭代软阈值算法(trainable iterative soft thresholding algorithm ,TISTA)、可学习近似消息传递算法(learned approximate message passing, LAMP)等已有深度展开算法。通过在一维和二维稀疏信号的仿真验证,TwDU策略在重构精度和收敛速度上都更具有明显优势。
- 关键词:
- 压缩感知 /
- 稀疏信号 /
- 信号重构 /
- 深度学习 /
- 深度展开 /
- 模型驱动 /
- 迭代软阈值 /
- 近似消息传递算法 /
- 图像处理
压缩感知(compressed sensing,CS)[1-2]指在远低于奈奎斯特采样率条件下,用采样矩阵获取原始信号的离散样本,然后通过非线性重构算法对原始信号进行重构。为了高效率、高精度地重构原始信号,大量优秀的重构算法[3]被提出,其中凸优化类算法因其稳定性好、精度高被广泛地研究使用。常见凸优化类算法包括迭代