Architecture résiduelle de convolution séquentielle et de Runge-Kutta pour la détection compressée d'images

Ces dernières années, les réseaux de neurones profonds (DNN) ont considérablement renforcé la sensibilité compressée (Compressed Sensing, CS), permettant d’atteindre une qualité et une vitesse de reconstruction bien supérieures aux méthodes classiques de CS. Toutefois, de nombreux défis restent à surmonter avant que cette approche ne devienne véritablement pratique. Deux problèmes majeurs persistent dans le domaine de la CS : d’une part, réaliser un échantillonnage efficace des données, et d’autre part, reconstruire des images de haute qualité. Pour répondre à ces deux défis, ce papier propose un nouveau réseau de sensibilité compressée à convolution basé sur la méthode de Runge-Kutta, nommé RK-CCSNet. À l’étape de mesure, RK-CCSNet utilise un module de convolution séquentiel (SCM) afin de compacter progressivement les mesures à l’aide d’une série de filtres de convolution. À l’étape de reconstruction, RK-CCSNet introduit un nouveau bloc appris de type Runge-Kutta (LRKB), inspiré des célèbres méthodes de Runge-Kutta, en reformulant le processus de reconstruction d’image comme un système dynamique discret. Enfin, l’implémentation de RK-CCSNet atteint des performances de pointe sur des benchmarks influents, surpassant significativement les méthodes de référence. Le code source est disponible à l’adresse suivante : https://github.com/rkteddy/RK-CCSNet.