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

图像压缩感知（CompressedSensing,CS）理论突破了传统奈奎斯特采样定理的限制，通过将采样与压缩过程合并，在远低于奈奎斯特采样率的条件下实现图像信息的采集与恢复，在遥感成像、医疗影像、边缘计算等资源受限场景中展现出极高应用价值。早期传统压缩感知重建方法依赖手工设计的稀疏先验，面临重建精度有限、计算复杂度高、抗噪声能力弱等瓶颈，而深度神经网络凭借强大的特征提取能力与端到端优化特性，为图像压缩感知重建技术的突破提供了新的技术路径。

一、传统图像压缩感知重建的核心局限

传统压缩感知重建框架建立在信号稀疏性假设基础之上，核心流程包含测量矩阵设计、稀疏表示、重建算法三个关键模块。在测量矩阵设计层面，高斯随机矩阵、伯努利矩阵等随机测量矩阵虽满足受限等距性质（RestrictedIsometryProperty,RIP），但存在硬件实现难度大、存储成本高的问题；确定性测量矩阵虽降低了实现复杂度，但通常仅在特定稀疏基下满足RIP条件，泛化能力受限。在稀疏表示环节，离散余弦变换（DCT）基、小波基、过完备字典等手工设计的稀疏表示方法，仅能捕捉图像的低层次边缘、纹理特征，难以对自然图像中复杂的非局部相似性、结构相关性进行有效建模，导致高采样率下重建精度易达到天花板，低采样率下重建结果易出现严重的块效应、伪影与细节丢失。

传统重建算法如正交