要約
近年、深層ニューラルネットワーク（DNN）は圧縮感知（CS）を大きく進展させ、従来のCS手法をはるかに上回る高い再構成品質と高速性を実現している。しかし、実用化に向けた課題はまだ多く残っており、その中でも特に重要な2つの課題がある。1つは効率的なデータサンプリングの実現であり、もう1つは高品質な画像再構成の達成である。これらの課題に対処するために、本研究では新しい「ルンゲ＝クッタ畳み込み圧縮感知ネットワーク（RK-CCSNet）」を提案する。測定段階では、RK-CCSNetは逐次畳み込みモジュール（SCM）を用いて、一連の畳み込みフィルタを通じて測定値を段階的に圧縮する。再構成段階では、有名なルンゲ＝クッタ法を基にした新しい「学習型ルンゲ＝クッタブロック（LRKB）」を構築し、画像再構成プロセスを離散的力学系として再定式化する。最終的に、RK-CCSNetは主要なベンチマークにおいて既存の最先端手法を上回る性能を達成しており、すべての実装コードは https://github.com/rkteddy/RK-CCSNet にて公開されている。