“他山之石，可以攻玉”，站在巨人的肩膀才能看得更高，走得更远。在科研的道路上，更需借助东风才能更快前行。为此，我们特别搜集整理了一些实用的代码链接，数据集，软件，编程技巧等，开辟“他山之石”专栏，助你乘风破浪，一路奋勇向前，敬请关注！
论文作者：
作者单位：
收录刊物：
发表时间：
正式版本：
arXiv版本：
代码链接：
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。
如何设计采样矩阵，从而尽可能多地保留图像信息？ 如何设计高效的重建算法，从而精准复原图像内容？
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； 重建算法的计算开销过大、复原精度有限。
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； 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
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
本文目的在于学术交流，并不代表本公众号赞同其观点或对其内容真实性负责，版权归原作者所有，如有侵权请告知删除。
收藏，分享、在看，给个三连击呗！
