Nous présentons un cadre pour l'imagerie fantôme computationnelle basé sur l'apprentissage profond et des motifs de granularité rose personnalisés. Le réseau neuronal profond utilisé dans cette étude, capable d'apprendre le modèle de capteur et d'améliorer la qualité de la reconstruction d'images, est formé uniquement par simulation. Pour démontrer le niveau sous-Nyquist dans notre travail, nous comparons les résultats de l'imagerie fantôme computationnelle traditionnelle, ainsi que ceux obtenus par la reconstruction d'images utilisant du bruit blanc et du bruit rose via l'apprentissage profond, à différentes fréquences d'échantillonnage et sous diverses conditions de bruit. Nous montrons que le schéma proposé peut fournir des images de haute qualité avec un taux d'échantillonnage de 0,8 % même lorsque l'objet n'est pas inclus dans l'ensemble de données d'entraînement, et qu'il est robuste aux environnements bruyants. Cette méthode est particulièrement adaptée à diverses applications, notamment celles qui nécessitent un faible taux d'échantillonnage, une efficacité de reconstruction rapide ou sont soumises à des interférences bruyantes importantes.