图像压缩感知论文：Tree-Structured Dilated Convolutional Networks for Image Compressed Sensing

论文链接：https://ieeexplore.ieee.org/document/9889727/?denied=

代码链接：https://github.com/UHADS/TDCN

 

该研究提出了一种基于树状扩张卷积神经网络（TDCN）的图像压缩感知方法，以提高图像重建的速度和质量。TDCN结合了由不同扩张因子的三个扩张卷积层组成的树状残差块，并将每个扩张卷积层的输出导向融合层，以消除由于多个级联扩张卷积而导致的信息损失。此外，研究还采用了L1损失作为优化目标函数，以提高网络的训练结果并实现更好的收敛性。实验结果表明，所提出的TDCN在各种采样率下均优于现有最先进的方法，同时保持了快速的计算速度。该研究探讨了图像压缩感知中的问题，特别是后处理增加的计算复杂性和对恢复效率的影响。为了解决这些问题，研究人员提出了一个结合线性初步重建网络和非线性深度重建网络的方法，该方法通过端到端学习从CS测量中重建图像，无需额外的后处理操作，并能快速有效地获得高质量的恢复图像。然而，这种方法的高计算成本限制了其实际应用。

TSRB结构图：

 

根据论文的内容，我总结出以下几点主要内容和创新点：

1. 本文提出了一种基于深度卷积神经网络的图像压缩感知(CS)重建方法。它利用了树状结构化的膨胀卷积来提高网络的深度和非线性表达能力。

2. 文中将图像压缩感知建模为一个稀疏信号采样和重建的过程。图像通过随机高斯矩阵降维后，再通过深度网络进行重建。

3. 提出的TDCN模型使用膨胀卷积来增加感受野，比传统的卷积核具有更少的参数和计算量。同时采用多层树状结构化模块来提取多尺度特征。

4. 文中设计了一个非迭代的重建网络，包括一个解卷积层来实现从采样层的输出到初步重建结果的转换。这个网络可以与现有的深度学习CS方法相媲美。

5. 在性能方面，所提方法在不同数据集上均取得了较好的峰值信噪比(PSNR)和结构相似性指标(SSIM)。同时，与其他方法相比，所提方法的运行速度更快，特别是在GPU上。

6. 文中还进行了消融实验验证所提方法的有效性，改进的措施如膨胀卷积、树状结构化模块等都取得了积极的效果。

综上所述，该文提出了一种结合深度卷积神经网络和图像压缩感知的方法，通过新颖的网络结构和优化策略实现了高效准确的图像重建，是图像压缩感知领域的一项重要创新。