基于SPL迭代思想的图像压缩感知重构神经网络

摘要

由于神经网络强大的学习能力与快速的运行速度,近年来基于深度学习的图像压缩感知(Image Com-pressive Sensing,ICS)研究备受关注.然而,大多数现有ICS神经网络的结构设计忽略了传统迭代重构算法中的数学理论基础,无法有效利用信号中的先验结构知识,可解释性较差.为了保留优化算法核心思想并同时利用深度学习的高性能,本文使用可学习的卷积层替代了传统平滑投影Landweber算法(Smooth Projected Landweber,SPL)中的人工设计参数,提出一种新型ICS神经网络SPLNet.在SPLNet中,设计了一个独特的网络结构SPLBlock实现SPL迭代过程中的三个核心步骤:(1)去除块效应的维纳滤波器;(2)在凸投影集合上的近似操作;(3)实现稀疏表示及去噪的变换域双变量收缩.仿真实验结果表明:与现有最优的ICS优化迭代算法GSR相比,SPLNet的重构图像平均PSNR提升了0.78dB;与最优的神经网络框架SCSNet相比,SPLNet的重构图像平均PSNR提升了0.92dB.