面向图像压缩感知的双路径超先验信息深度展开网络
计算机视觉与模式识别
2026-05-12 v1
摘要
近期的深度展开网络 (DUN) 通过集成迭代优化与深度网络显著推进了压缩感知 (CS)。然而，现有 DUN 仍面临两个挑战：1) 依赖单一测量流，限制了跨不同测量子集的有效信息交互；2) 统一处理所有图像区域，忽略由不同纹理引起的重建难度差异。为此提出一种新型双路径超先验信息深度展开网络 (DPH-DUN)，将测量划分为双子集，实现超先验指导的双路径架构。在深度超先验学习分支，设计一系列轻量级神经模块，高效生成不同域的超先验知识，实现协作式引导 CS 重建。在超先验信息重建分支构建深度展开框架，实现迭代式细化。具体地：1) 在梯度下降步骤中，设计超先验信息步长生成网络，动态生成空间变异步长图，实现自适应的细粒度梯度更新；2) 在近端映射步骤中，引入两个精心设计的超先验信息注意力机制，通过基于梯度的硬注意力和软注意力动态聚焦于具有挑战性的区域，促进 CS 重建精度。广泛实验表明，所提 DPH-DUN 优于现有 CS 方法。
引用
@article{arxiv.2605.09566,
title = {Dual-Path Hyperprior Informed Deep Unfolding Network for Image Compressive Sensing},
author = {Tianyi Lu and Wenxue Cui and Shaohui Liu},
journal= {arXiv preprint arXiv:2605.09566},
year = {2026}
}