基于多尺度残差网络的全局图像压缩感知重构

摘要

压缩感知技术突破了奈奎斯特采样定理的限制,但目前压缩感知的传统迭代重构思路已经陷入了瓶颈,例如TV算法、DAMP算法、NLR-CS算法,存在着重构质量差或重构速度慢的问题.最近,深度学习的方法在传统的压缩感知图像重建中取得了显著的进步.提出了一个基于多尺度残差网络的图像CS重构模型,该模型由多个多尺度残差块构成.对于每个多尺度残差块,其具有多条旁路,每个旁路应用不同大小的卷积核自适应检测不同尺度的图像特征,并且每个多尺度残差块的输出都用于全局的特征的分层融合,从而使图像恢复更高的质量.从实验室结果可以看出,所提出的方法在图像的PSNR和SSIM上均优于现有基于深度学习的方法,并且重建速度和质量优于传统的重构方法.