一、论文信息
论文标题： Practical Compact Deep Compressed Sensing（实用、紧致的深度压缩感知）
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
发表刊物： 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
开源代码： https://github.com/Guaishou74851/PCNet
二、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面临两大核心问题：
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？
然而，现有CS方法仍存在两方面局限：
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。
三、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：
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。
四、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。
更多细节、实验结果与理论分析请参阅论文。
五、实验室简介
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/）。
（作者：陈斌，北京大学博士生）
