原標題：北大開源全新圖像壓縮感知網絡：參數量、推理時間大幅節省，性能顯著提升 | 頂刊TPAMI
文章來源：新智元
內容字數：5305字

北京大學提出新型壓縮感知網絡PCNet：高效精準重建高分辨率圖像

壓縮感知(CS)技術能夠大幅減少圖像數據采集量，降低成本并提高效率，在醫療成像、科學研究等領域具有廣泛應用前景。然而，現有CS方法在采樣矩陣的信息保留能力和重建算法的計算效率方面存在局限性。為此，北京大學信息工程學院的研究人員提出了一種新型的壓縮感知網絡PCNet，在圖像重建精度、計算效率和任務擴展性方面均取得了顯著突破。

1. 創新的協同采樣算子

   PCNet的核心創新在于其設計的協同采樣算子，它克服了傳統方法在信息保留能力上的不足。該算子包含兩個階段：首先，利用輕量級卷積網絡提取圖像的局部特征，例如邊緣和紋理，降低數據冗余；其次，采用全局矩陣對局部特征進行降維和融合，將全局信息（如大尺度結構）與局部特征結合，生成信息量更大的壓縮觀測值。這種兩階段設計既能捕捉細節，又能保留全局信息，顯著提高了采樣效率。

2. 融合優化理論與深度學習的重建網絡

   PCNet的重建網絡融合了優化理論和深度學習的優勢。它基于近端梯度下降(PGD)算法進行深度展開，將PGD的迭代過程轉化為網絡層，兼顧理論可解釋性和實際效率。此外，網絡還采用了注意力機制和多尺度特征融合模塊，進一步提升重建精度，能夠更好地關注圖像重要區域并重建全局結構。為了適應高分辨率圖像處理，PCNet采用輕量化架構，降低了參數量和計算開銷，提高了推理效率。

3. 優異的性能和廣泛的應用

   在多個基準數據集上的實驗結果表明，PCNet在圖像重建精度方面顯著優于現有方法，特別是在低采樣率下，能夠重建出更高質量、細節更清晰的圖像。同時，PCNet的計算效率也得到大幅提升，推理時間平均減少40%，內存占用也顯著降低。此外，PCNet還展現了良好的擴展性，可應用于量化壓縮感知和自監督壓縮感知等任務。

4. 實驗結果驗證

   PCNet在Set11、CBSD68、Urban100和DIV2K等數據集上的實驗結果表明，其在峰值信噪比(PSNR)和結構相似性(SSIM)指標上均超越現有方法。尤其在高分辨率圖像(2K,4K,8K)重建中，PCNet展現了強大的適應能力。計算效率方面，PCNet的推理時間比傳統方法減少了40%，參數量也減少了30%以上，同時性能卻顯著提升。在量化壓縮感知和自監督壓縮感知任務中，PCNet也展現了其優越的性能和魯棒性。

總而言之，PCNet通過創新的協同采樣算子和優化的重建網絡，為高分辨率圖像的壓縮感知提供了一種高效、精準的解決方案，在多個方面都展現了其優越性，為壓縮感知技術的實際應用提供了新的可能性。

聯系作者

文章來源：新智元
作者微信：
作者簡介：智能+中國主平臺，致力于推動中國從互聯網+邁向智能+新紀元。重點關注人工智能、機器人等前沿領域發展，關注人機融合、人工智能和機器人對人類社會與文明進化的影響，領航中國新智能時代。