基于注意力机制重构的多尺度压缩感知网络：实现任意采样率的高效图像重建

针对传统压缩感知(CS)网络泛化能力不足、计算复杂度高的问题，研究人员提出基于注意力机制重构的多尺度压缩感知网络。该研究通过小波域多尺度自适应采样和金字塔注意力重建模块，实现单一模型适配任意采样率，在BSD500等数据集测试中展现出快速重建速度(16×16图像块处理)和优越的PSNR指标(ar=0.97)，为医学影像等需动态调整采样率的场景提供创新解决方案。

　　

在数字信号处理领域，压缩感知(Compressive Sensing, CS)技术因其突破奈奎斯特采样定理限制的能力备受关注。传统CS面临三大困境：信号需严格稀疏、测量矩阵需满足约束等距性(RIP)、迭代重建算法复杂度高。尤其在医学影像和无线通信场景中，现有方法存在"采样率固定需多模型训练"的痛点——例如CT检查时若重建质量不足需重新采样，可能对患者造成二次辐射伤害。

针对这些挑战，中国研究人员在《Digital Signal Processing》发表创新研究。他们设计的多尺度压缩感知网络包含两大核心模块：小波域多尺度自适应采样模块动态分配16×16图像块的采样率（低频区域分配更高采样率以保留能量信息），金字塔注意力重建模块则通过5层深度网络(宽度64)实现特征增强。关键技术包括：1)基于BSD500数据集构建128×128×1训练集；2)采用离散小波变换分离高低频成分；3)联合优化采样-重建网络实现端到端训练。

研究结果显示：
• 多尺度采样优势：小波域处理使低频区域采样率提升30%，有效保留图像轮廓信息
• 注意力机制效能：金字塔模块在10个epoch训练后，PSNR提升达2.3dB(ar=0.97)
• 泛化能力验证：单一模型支持0.1-0.9任意采样率切换，运行速度较传统方法快17倍

该研究的突破性在于：首次将注意力机制与多尺度小波变换结合应用于CS网络，通过batch size=1的精细化训练策略，既解决了"一模型一采样率"的资源浪费问题，又避免了残差分支信息丢失导致的块效应。在医学影像和5G多径信号检测等领域，这种能动态调整采样率的自适应系统具有重要应用价值。未来研究可进一步探索三维体数据重建和实时视频处理场景的适配性。