ISTA-Net：用于图像压缩感知的可解释优化启发式深度网络

为了开发一种快速且准确的自然图像压缩感知 (CS) 重建算法，本文结合了两类现有 CS 方法的优点：传统基于优化的方法的结构洞察力以及近期基于网络的方法的速度。具体而言，我们提出了一种新颖的结构化深度网络，称为 ISTA-Net，其灵感来源于用于优化一般 $\ell_1$ 范数 CS 重建模型的迭代收缩阈值算法 (ISTA)。为了将 ISTA 转换为深度网络形式，我们开发了一种有效策略，利用非线性变换求解与稀疏诱导正则化项相关的近端映射。ISTA-Net 中的所有参数（例如非线性变换、收缩阈值、步长等）都是端到端学习的，而非人工设计。此外，考虑到自然图像的残差更具可压缩性，我们推导出残差域中 ISTA-Net 的增强版本，称为 {ISTA-Net}$^+$，以进一步改善 CS 重建。大量 CS 实验表明，所提出的 ISTA-Nets 在保持快速计算速度的同时，以大幅优势优于现有基于优化和基于网络的 SOTA CS 方法。源代码可在 \textsl{http://jianzhang.tech/projects/ISTA-Net} 获取。