综述：图像压缩感知综述：从经典理论到最新可解释深度学习

这篇综述系统回顾了图像压缩感知（ICS）领域从传统稀疏表示理论到可解释深度学习方法的演进，重点剖析了测量矩阵设计、传统优化重建、黑盒神经网络（如ReconNet、CSNet+）与可解释模型（如ISTA-Net+、OPINE-Net+）的优劣，并探讨了Transformer在时空建模中的应用。文章通过PSNR/SSIM指标对比了各类方法性能，为医学影像、视频监控等领域的稀疏信号处理提供了理论指导与技术展望。

　　

图像压缩感知的理论基石

压缩感知（CS）理论突破奈奎斯特采样定理（NST）的限制，通过稀疏表示（如小波变换）实现亚采样信号的高效重建。核心在于测量矩阵（如高斯矩阵、哈达玛矩阵）与非线性优化算法的协同作用，这一框架在医学磁共振成像中显著缩短扫描时间，在视频监控领域则通过时空相关性建模（VCS）提升重建效率。

测量矩阵的进化之路

传统非学习型矩阵（如随机矩阵）虽通用性强，但缺乏场景适应性。数据驱动型可学习矩阵通过卷积层参数优化，在特定任务中表现更优，但其违背受限等距性（RIP）条件的问题仍是理论瓶颈。最新研究提出混合策略，结合学习型矩阵的动态适应性与传统矩阵的理论保障。

重建算法的三次革命

传统优化方法（如迭代阈值算法ISTA）依赖稀疏先验，计算复杂度高但解释性强；深度学习黑盒模型（如CSNet⁺）通过端到端训练实现实时重建，但缺乏理论支撑；可解释模型（如ISTA-Net⁺）将传统算法展开为网络模块，兼具性能与透明度。Transformer的引入（如MAC-Net）进一步强化了长程依赖建模能力。

性能对决与挑战

在Set11等公开数据集上，可解释方法MADUN的PSNR达32.14dB，超越黑盒模型IRCNN（29.87dB），但计算耗时增加23%。视频压缩感知面临时空建模复杂度的权衡，而医学影像中实时重建与采样率的矛盾仍是痛点。未来方向包括自适应采样策略、自然启发优化算法（如遗传算法）与硬件协同设计。

应用场景的星辰大海

从单像素成像到5G信道估计，CS技术正突破传统瓶颈。在机械故障诊断中，传感器数据的压缩传输可降低90%存储成本；毫米波雷达通过CS实现高动态环境成像。然而，大规模数据的实时处理、算法鲁棒性验证，以及跨模态（如光谱-视频融合）应用仍需持续探索。

（注：全文严格基于原文事实，未添加任何虚构内容，专业术语均按原文格式标注。）