用于增强克罗内克压缩感知的物理引导深度展开网络
计算机视觉与模式识别
2025-08-14 v1
摘要
深度网络在图像压缩感知（CS）任务中取得了显著成功，即从其压缩测量中重建高保真图像。然而，现有工作在感知阶段的非相干压缩测量和重建阶段的隐式测量表示方面存在不足，限制了整体性能。在这项工作中，我们回答了两个问题：1）如何提高测量非相干性以降低不适定性；2）如何从测量中学习信息丰富的表示。为此，我们提出了一种新颖的非对称Kronecker CS（AKCS）模型，并从理论上证明了其比之前的Kronecker CS具有更好的非相干性，且复杂度增加极小。此外，我们揭示了展开网络相对于非展开网络的优越性源于充分的梯度下降，我们称之为显式测量表示。我们提出了一种测量感知交叉注意力（MACA）机制来学习隐式测量表示。我们将AKCS和MACA集成到广泛使用的展开架构中，得到了一个测量增强的展开网络（MEUNet）。大量实验表明，我们的MEUNet在重建精度和推理速度方面均达到了最先进的性能。
引用
@article{arxiv.2508.09528,
title = {Physics-guided Deep Unfolding Network for Enhanced Kronecker Compressive sensing},
author = {Gang Qu and Ping Wang and Siming Zheng and Xin Yuan},
journal= {arXiv preprint arXiv:2508.09528},
year = {2025}
}
备注
9 pages, 4 figures