基于神经网络的图像压缩感知重建研究综述.docVIP

基于神经网络的图像压缩感知重建研究综述

压缩感知理论突破了奈奎斯特采样定理的限制，通过同时实现信号采样与压缩，显著降低了数据采集的存储与传输成本，在医学成像、遥感监测、物联网传感等领域展现出广阔应用前景。传统压缩感知重建方法依赖手工设计的稀疏先验，在复杂图像场景下存在重建精度不足、迭代速度慢等瓶颈。近年来，深度神经网络凭借强大的非线性特征拟合能力，为图像压缩感知重建提供了全新的技术路径，相关研究成果层出不穷，推动该领域进入了快速发展阶段。

一、图像压缩感知重建的基础理论与传统方法局限

压缩感知的核心思想是：若信号在某个变换域具有稀疏性，则可通过远低于奈奎斯特采样率的观测值，利用优化算法精确重建原始信号。对于图像信号而言，其在小波、离散余弦变换等域的稀疏性已得到广泛验证，因此压缩感知技术在图像领域的应用具备天然的理论基础。传统图像压缩感知重建主要基于迭代优化框架，典型方法包括正交匹配追踪、迭代软阈值算法、全变分最小化方法等。这类方法通过预先定义的稀疏正则项约束重建过程，在简单图像场景下能够取得一定效果，但存在三方面明显局限：其一，手工设计的稀疏先验难以适配复杂自然图像的多样化结构特征，对于纹理丰富、细节复杂的图像，重建结果易出现块效应、模糊或细节丢失问题；其二，迭代过程计算复杂度高，单次重建往往需要数十次甚至上百次迭代，难以满足实时性要求较高的应用场景；其三，观测矩阵与重建算法的设计