顶刊TPAMI 2024！北大提出实用、紧致的图像压缩感知网络PCNet，代码已开源

©作者 | 陈斌

单位 | 北京大学博士生

论文标题：

Practical Compact Deep Compressed Sensing

论文作者：

Bin Chen（陈斌） and Jian Zhang†（张健）（†通讯作者）

作者单位：

北京大学信息工程学院

收录刊物：

IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI)

发表时间：

2024年11月22日

正式版本：

https://ieeexplore.ieee.org/document/10763443

arXiv版本：

https://arxiv.org/abs/2411.13081

代码链接：

https://github.com/Guaishou74851/PCNet

任务背景

压缩感知（Compressed Sensing, CS）是一种信号降采样技术，可大幅节省图像获取成本。CS 的核心思想是“无需完整记录图像信息，通过计算即可还原目标图像”。CS 的典型应用包括：

• 降低相机成本：利用廉价设备就能拍摄出高质量图像；

• 加速医疗成像：将核磁共振成像（MRI）时间从 40 分钟缩短至 10 分钟内，减少被检查者的不适；

• 探索未知世界，助力科学研究：将“看不见”事物变为“看得见”，如观测细胞活动等转瞬即逝的微观现象，以及通过分布式射电望远镜观测银河系中心的黑洞。

CS 的数学模型可表示为 ，其中 是原始图像， 是采样矩阵， 是观测值。定义压缩采样率为 。

CS 面临两大核心问题：

1. 如何设计采样矩阵，从而尽可能多地保留图像信息？
2. 如何设计高效的重建算法，从而精准复原图像内容？

然而，现有 CS 方法仍存在两方面局限：

1. 采样矩阵信息保留能力不足：将图像切块，逐块采样，导致观测值信息量有限；
2. 重建算法的计算开销过大、复原精度有限。

主要贡献

本工作提出了一种实用、紧致的图像压缩感知网络 PCNet，具有如下创新点：

1. 一种新型压缩采样矩阵，能够融合图像的局部与全局特征，从而提高信息保留能力。具体采样过程分两步：首先，用一个小型卷积网络对图像滤波；其次，使用全局矩阵对滤波结果降维，生成压缩观测值；

2. 一种新型图像重建网络，将传统近端梯度下降（Proximal Gradient Descent，PGD）算法与深度神经网络有机结合，利用先进模块设计显著提升重建精度。

▲ 图2. 提出的协同采样算子

实验结果

在 Set11、CBSD68、Urban100 和 DIV2K 等基准数据集上，PCNet 的性能显著优于其他方法，特别是在高分辨率（2K、4K、8K）成像任务中。此外，其采样矩阵可拓展至量化 CS 和自监督 CS 任务，展现了良好的通用性。

▲ 图3. 方法与其他CS方法的对比结果

更多细节、实验结果与理论分析请参阅论文。

1

实验室简介

ABOUT US

视觉信息智能学习实验室（VILLA）由北京大学信息工程学院张健助理教授于 2019 年创立并负责，主要围绕“智能可控图像生成”这一前沿领域，深入开展高效图像重建、可控图像生成和精准图像编辑三个关键方向的研究。

张健老师带领 VILLA 团队已在 Nature 子刊 Communications Engineering、IEEE SPM、TPAMI、TIP、IJCV、NeurIPS、ICLR、CVPR、ICCV 和 ECCV 等高水平国际期刊和会议上发表论文 100 余篇，其中近三年，以第一作者/通讯作者发表 CCF A 类论文 40 余篇。张健老师谷歌学术引用 1 万余次，h-index 值为 49（单篇一作最高引用 1200 余次），获得北大青年教师教学比赛一等奖、国际期刊/会议最佳论文奖五次，主持国家科技重大专项课题、国自然重点项目课题、国自然面上以及与字节/华为/OPPO/创维/兔展等知名企业学术合作项目 10 余项。 

在高效图像重建方面，张健老师团队的代表性成果包括优化启发式深度展开重建网络 ISTA-Net、COAST、ISTA-Net++，联合学习采样矩阵压缩计算成像方法 OPINE-Net、PUERT、CASNet、HerosNet、PCA-CASSI，基于信息流增强机制的高通量广义优化启发式深度展开重建网络 HiTDUN、SODAS-Net、MAPUN、DGUNet、SCI3D、PRL、OCTUF、D3C2-Net，以及无需真值的自监督图像重建方法 SCNet。团队还提出了基于自适应路径选择机制的动态重建网络 DPC-DUN 和用于单像素显微荧光计算成像的深度压缩共聚焦显微镜 DCCM，以及生成式图像复原方法 Panini-Net、PDN、DEAR-GAN、DDNM，受邀在信号处理领域旗舰期刊 SPM 发表专题综述论文。本工作提出的实用、紧致的压缩感知网络 PCNet 进一步提升了图像压缩感知的精度与效率。 

更多信息可访问 VILLA 实验室主页（https://villa.jianzhang.tech/）或张健助理教授个人主页（https://jianzhang.tech/cn/）。

（文：PaperWeekly）