La reconstruction par compressivité (compressed sensing, CS) constitue un défi majeur en traitement d’images, en raison de la nécessité de reconstruire une image presque complète à partir d’un nombre limité de mesures. Pour atteindre une reconstruction rapide et précise, nous combinons les avantages de deux méthodes bien établies — les réseaux de neurones et les algorithmes d’optimisation — afin de proposer un nouveau réseau neuronal inspiré par l’optimisation, appelé AMP-Net. AMP-Net intègre de manière efficace l’algorithme de passage de message approché (Approximate Message Passing, AMP) et les réseaux de neurones, avec l’avantage que tous ses paramètres sont appris automatiquement. Par ailleurs, nous introduisons AMPA-Net, une extension qui intègre trois réseaux d’attention afin d’améliorer la capacité de représentation d’AMP-Net. Enfin, nous démontrons l’efficacité d’AMP-Net et d’AMPA-Net sur quatre jeux de données standard pour la reconstruction en CS. Le code source est disponible à l’adresse suivante : https://github.com/puallee/AMPA-Net.