自监督可扩展深度压缩感知

压缩感知（CS）是一种降低采样成本的有前景工具。当前基于深度神经网络（NN）的 CS 方法面临采集有标签测量-真值（GT）数据以及泛化至实际应用等挑战。本文提出一种新颖的自监督可扩展深度 CS 方法，包含称为 $\mathbf{SCL}$ 的深度学习方案与名为 $\mathbf{SCNet}$ 的网络族，其无需 GT，且一旦在部分测量集上训练便可处理任意采样率与矩阵。我们的 SCL 包含双域损失与四阶段恢复策略。前者对两个测量部分施加交叉一致性，以及对任意率与矩阵的采样-重建循环一致性，以最大化数据/信息利用。后者可逐步利用外部测量中的公共信号先验及测试样本与所学 NN 的内部特性来提升精度。SCNet 将优化算法的显式引导与高级 NN 模块的隐式正则化相结合，以学习协同信号表示。我们对模拟与真实采集数据（涵盖 1/2/3 维自然与科学信号）的理论分析及实验，证明了本方法相较现有自监督方法的有效性、优越性能、灵活性与泛化能力，以及其与最先进监督方法竞争的显著潜力。代码见 https://github.com/Guaishou74851/SCNet。