北大开源全新图像压缩感知网络：参数量、推理时间大幅节省，性能显著提升 | 顶刊TPAMI

原标题：北大开源全新图像压缩感知网络：参数量、推理时间大幅节省，性能显著提升 | 顶刊TPAMI
文章来源：新智元
内容字数：5305字

北京大学提出新型压缩感知网络PCNet：高效精准重建高分辨率图像

压缩感知(CS)技术能够大幅减少图像数据采集量，降低成本并提高效率，在医疗成像、科学研究等领域具有广泛应用前景。然而，现有CS方法在采样矩阵的信息保留能力和重建算法的计算效率方面存在局限性。为此，北京大学信息工程学院的研究人员提出了一种新型的压缩感知网络PCNet，在图像重建精度、计算效率和任务扩展性方面均取得了显著突破。

1. 创新的协同采样算子

   PCNet的核心创新在于其设计的协同采样算子，它克服了传统方法在信息保留能力上的不足。该算子包含两个阶段：首先，利用轻量级卷积网络提取图像的局部特征，例如边缘和纹理，降低数据冗余；其次，采用全局矩阵对局部特征进行降维和融合，将全局信息（如大尺度结构）与局部特征结合，生成信息量更大的压缩观测值。这种两阶段设计既能捕捉细节，又能保留全局信息，显著提高了采样效率。

2. 融合优化理论与深度学习的重建网络

   PCNet的重建网络融合了优化理论和深度学习的优势。它基于近端梯度下降(PGD)算法进行深度展开，将PGD的迭代过程转化为网络层，兼顾理论可解释性和实际效率。此外，网络还采用了注意力机制和多尺度特征融合模块，进一步提升重建精度，能够更好地关注图像重要区域并重建全局结构。为了适应高分辨率图像处理，PCNet采用轻量化架构，降低了参数量和计算开销，提高了推理效率。

3. 优异的性能和广泛的应用

   在多个基准数据集上的实验结果表明，PCNet在图像重建精度方面显著优于现有方法，特别是在低采样率下，能够重建出更高质量、细节更清晰的图像。同时，PCNet的计算效率也得到大幅提升，推理时间平均减少40%，内存占用也显著降低。此外，PCNet还展现了良好的扩展性，可应用于量化压缩感知和自监督压缩感知等任务。

4. 实验结果验证

   PCNet在Set11、CBSD68、Urban100和DIV2K等数据集上的实验结果表明，其在峰值信噪比(PSNR)和结构相似性(SSIM)指标上均超越现有方法。尤其在高分辨率图像(2K,4K,8K)重建中，PCNet展现了强大的适应能力。计算效率方面，PCNet的推理时间比传统方法减少了40%，参数量也减少了30%以上，同时性能却显著提升。在量化压缩感知和自监督压缩感知任务中，PCNet也展现了其优越的性能和鲁棒性。

总而言之，PCNet通过创新的协同采样算子和优化的重建网络，为高分辨率图像的压缩感知提供了一种高效、精准的解决方案，在多个方面都展现了其优越性，为压缩感知技术的实际应用提供了新的可能性。

联系作者

文章来源：新智元
作者微信：
作者简介：智能+中国主平台，致力于推动中国从互联网+迈向智能+新纪元。重点关注人工智能、机器人等前沿领域发展，关注人机融合、人工智能和机器人对人类社会与文明进化的影响，领航中国新智能时代。