一种用于低采样率CS重建的高效深度卷积拉普拉斯金字塔架构

压缩感知（Compressed Sensing, CS）在过去的几年中已成功应用于图像压缩，因为大多数图像信号在某个域内是稀疏的。已有几种CS重建模型被提出并取得了优异的性能。然而，在大多数情况下，这些方法在低采样率下仍会遭受块效应或振铃效应。为了解决这一问题，我们提出了一种深度卷积拉普拉斯金字塔压缩感知网络（Laplacian Pyramid Compressed Sensing Network, LapCSNet），该网络由一个采样子网络和一个重建子网络组成。在采样子网络中，我们利用卷积层来模拟采样算子。与传统CS方法中使用的固定采样矩阵不同，我们的卷积层中的滤波器与重建子网络联合优化。在重建子网络中，设计了两个分支，通过拉普拉斯金字塔架构逐步重建多尺度残差图像和多尺度目标图像。所提出的LapCSNet不仅集成了多尺度信息以实现更好的性能，还显著降低了计算成本。基准数据集上的实验结果表明，该方法能够在细节和边缘锐度方面优于现有最先进的方法。