
摘要
近年来,深度神经网络(Deep Neural Networks, DNN)在压缩感知(Compressed Sensing, CS)领域取得了显著进展,大幅提升了图像重建的质量与速度,远超传统压缩感知方法。然而,在其实际应用推广之前,仍存在诸多亟待深入研究的问题。压缩感知主要面临两大挑战:一是实现高效的信号采样,二是实现高质量的图像重建。针对上述两个关键问题,本文提出了一种新型的龙格-库塔卷积压缩感知网络(Runge-Kutta Convolutional Compressed Sensing Network, RK-CCSNet)。在感知阶段,RK-CCSNet引入序列卷积模块(Sequential Convolutional Module, SCM),通过一系列卷积滤波器逐步压缩测量数据,实现高效的采样。在重建阶段,该网络基于著名的龙格-库塔(Runge-Kutta)数值方法,设计了一种新型的可学习龙格-库塔块(Learned Runge-Kutta Block, LRKB),将图像重建过程建模为一个离散动力系统,从而提升重建精度与稳定性。实验结果表明,RK-CCSNet在多个主流基准数据集上均取得了当前最优的性能表现,显著优于现有主流方法。相关代码已公开,可访问 https://github.com/rkteddy/RK-CCSNet 获取。