关于压缩感知与深度学习

首先看一下压缩感知的背景。

2006年E.J.Candes、J.Romberg、T.Tao和D.L.Donoho 等科学家提出压缩感知理论，可以远低于奈奎斯特采样频率对信号采样，并高概率完全重建原信号。该技术改变传统先采样再压缩的数据处理方式，在采样的同时完成对数据的“压缩”，既降低对传感器的高频技术要求，又能节约数据存储资源和传输带宽，为信号处理领域带来革命性变化。该理论一经提出，便在国内外掀起研究热潮，对统计学、信息论、编码论等科学领域具有重要的影响，并在模拟信息采样、合成孔径雷达成像、遥感成像、核磁共振成像、无线传感器网络、信源编码、人脸识别、语音识别等诸多领域展开了广泛的应用研究 。格拉斯哥大学设计的单像素相机，利用深度卷积自编码网络，在压缩比低至 2%时，能以30帧/s 速率实时恢复128×128 像素视频。

传统的压缩感知重建方法基于稀疏先验知识，通过解一个最优化问题，迭代地重建原始信号。这类方法存在两个主要问题：（1）自然图像等真实信号在变换域中并不精确满足稀疏性，而是可压缩信号，仅由稀疏性建模的重建算法应用于真实信号时重建精度下降。（2）由于重建算法采用多次迭代求解原信号，难以实现实时性，限制了压缩感知技术的应用广度和深度。

传统压缩感知理论中存在的问题可以采用深度学习方法解决。针对传统压缩感知理论中的稀疏假设模型在实际应用中并不完全满足的问题，深度学习方法采用数据驱动的方式学习信号结构特征，放宽了对原始信号稀疏性的假设条件，通过自适应地调整网络权重，学习实际信号的特定结构。例如深度学习中卷积神经网络，堆叠去噪自编码器等网络具备优异的信号特征表征能力，能通过大量训练样本准确学习真实信号的结构特征，显著提高信号重建精度。进一步地，深度学习方法可以将传统压缩感知理论中分开设计的测量和重建过程变为端到端的框架，传统线性的高斯随机测量矩阵转 变为自适应的非线性测量网络，从而减少测量数，并由高质量的信号测量促进重建算法性能的提升。另一方面，传统压缩感知重建算法由于不能实现实时处理，限制了压缩感知的应用广度和深度，而深度学习技术在并行GPU运算硬件条件的支持下，神经网络的运算时间得到保证。传统压缩感知重建中的多次迭代可转换成深度神经网络的计算，实现重建的实时性，有利于压缩感知技术在医学图像处理等领域的实际应用。
这方面水论文还是能水不少的。