压缩感知(Compressed sensing),也被称为压缩采样(Compressive sampling),稀疏采样(Sparse sampling),压缩传感。它作为一个新的采样理论,它通过开发信号的稀疏特性,在远小于Nyquist 采样率的条件下,用随机采样获取信号的离散样本,然后通过非线性重建算法完美的重建信号。压缩感知理论一经提出,就引起学术界和工业界的广泛关注。他在信息论、图像处理、地球科学、光学/微波成像、模式识别、无线通信、生物医学工程等领域受到高度关注,并被美国科技评论评为2007年度十大科技进展
本文整理了基于深度学习的压缩感知(Deep Compressive Sensing,DCS)相关的最新论文、代码实验源代码等资源集合。源代码、pdf、doi等资源都是可用的。相关工作根据采样矩阵类型(基于框架/基于block)、采样规模(single scale、multi-scale)和深度学习平台进行分类。
其他部分给出了除采样、图像/视频重建以外的代码。
本文资源整理自网络,源地址:https://www.toutiao.com/a1646790873776142
Single-Scale Sensing
TIP-CSNet
W. Shi et al., Image Compressed Sensing using Convolutional Neural Network, IEEE Trans. Image Process, 2019.
Perceptual-CS
J. Du, X. Xie, C. Wang, and G. Shi, "Perceptual Compressive Sensing," Chinese Conference on Pattern Recognition and Computer Vision (PRCV), pp. 268 - 279, 2018.
ISTA-Net
Z. Jian and G. Bernard, "ISTA-Net: Interpretable Optimization-Inspired Deep Network for Image Compressive Sensing