进行稀疏重建_【速览】TIP 2020 |AMPNet：一种针对图像压缩感知的深度学习型稀疏优化...

   。

学会“成果速览”系列文章旨在将图像图形领域会议期刊重要成果进行传播，通过短篇文章让读者用母语快速了解相关学术动态，欢迎关注和投稿~

◆ ◆ ◆ ◆

AMP-Net：一种针对图像压缩感知的深度学习型稀疏优化

  张衷豪  ，刘翼鹏  ，刘佳妮  ，文飞  ，朱策     电子科技大学，   上海交通大学 TIP 2020 撰稿人：张衷豪 推荐理事：林宙辰 原文标题： AMP-Net: Denoising based Deep Unfolding for Compressive Image Sensing 论文地址：https://ieeexplore.ieee.org/document/9298950 论文代码：https://github.com/ZhonghaoZ/AMP-Net_TIP

◆ ◆ ◆ ◆

摘要 压缩感知在低于奈奎斯特采样率的情况下进行采样和重建。 当目标信号满足一定稀疏性条件时，能够将信号无失真的重建。 大多数压缩感知重建算法可以分为两类，即基于模型的方法和深度网络方法。 通过将迭代优化算法展开成神经网络，深度展开模型能同时具备基于模型的方法的解释性和经典深度神经网络方法速度快的特点。

在本文中，为解决视觉图像压缩感知问题，我们提出了一种名为AMP-Net的深度展开模型。它将近似消息传递(Approximate Message Passing, AMP)算法的迭代去噪过程展开成多层网络。此外，AMP-Net集成了解块模块，以消除通常出现在视觉图像压缩感知中的块状伪影。另外，我们将采样矩阵与其它网络参数联合训练，达到采样-重建联合训练的性能。实验结果表明，AMP-Net具有比其它现有方法更高的重建精度，更快的重建速度，更少的网络参数。相关技术可以推广到其它图像降噪、重建、增强等应用。

背景

压缩感知通过采集少量信息来实现图像的快速采样，数学表达式可表示为  ，其中  是向量化的原始数据，   为采样矩阵，其中   ，   是采样得到的样本。利用  来重建  是一个欠定的问题。一个常用的解法是采用以下优化模型：  其中，  是表示图像先验信息的正则项。

有许多算法被设计来解决这个问题。基于模型的方法选择不同的正则项，如稀疏、低秩等，并利用非线性迭代算法来求解该问题。这类方法具有可解释性，但是通常比较耗时。端到端深度神经网络(如卷积神经网络)将  直接映射至  。这一类方法重建速度快，但是不具有可靠的理论保证。

现有的深度展开模型可大致分为两类。第一类模型结合人为设计的正则项来构建深度展开模型。然而，人为设计的正则项可能会忽略一些表征数据语义的细节信息，而这一类信息对于重建是有帮助的。对此，第二类模型通过神经网络来对正则项进行学习，来获得这些信息。然而，目前第二类模型的参数量都很大，这对模型的实际应用有一定的阻碍。