基于局部结构采样的图像压缩感知编码深度网络

现有的图像压缩感知（CS）编码框架通常基于测量编码和基于优化的图像重建来解决逆问题，但仍存在以下两个挑战：1) 广泛使用的随机采样矩阵（如高斯随机矩阵 GRM）通常导致测量编码效率低下。2) 基于优化的重建方法通常保持较高的计算复杂度。在本文中，我们提出了一种基于 CNN 的图像 CS 编码新框架，采用局部结构采样（命名为 CSCNet），包含三个功能模块：局部结构采样、测量编码和拉普拉斯金字塔重建。在 proposed 框架中，首先开发了一种新的局部结构采样矩阵以替代 GRM，该矩阵能够通过局部感知采样策略增强测量值之间的相关性。此外，设计的局部结构采样矩阵可在训练过程中与其他功能模块联合优化。采样后产生具有高相关性的测量值，随后由第三方图像编码器将其编码为最终比特流。最后，提出了一种拉普拉斯金字塔重建网络，以高效地将目标图像从测量域恢复至图像域。大量实验结果表明，所提方案在保持快速计算速度的同时，优于现有的最先进 CS 编码方法。