《Engineering Applications of Artificial Intelligence》：Enhancing single image compressive sensing via pyramid-based multi-scale sampling
编辑推荐：
近年来，单图像压缩感知（Compressive Sensing, CS）技术取得了显著进展，并在多个应用场景中实现了优异的性能表现。然而，现有大多数方法主要关注设计高效的重建网络，却忽视了采样策略本身的粗糙性，导致测量值中包含的有效信息不足，尤其在低采样率条件
近年来，单图像压缩感知（Compressive Sensing, CS）技术取得了显著进展，并在多个应用场景中实现了优异的性能表现。然而，现有大多数方法主要关注设计高效的重建网络，却忽视了采样策略本身的粗糙性，导致测量值中包含的有效信息不足，尤其在低采样率条件下难以实现高质量图像重建。为解决上述问题，研究人员提出了一种基于金字塔采样的压缩感知网络，称为PCSNet，用于单图像压缩感知重建任务。该方法的主要创新点包括两个方面：首先，设计了新型金字塔压缩采样（Pyramid Compressive Sampling, PCS）策略，通过对图像金字塔进行多尺度采样，使测量值包含更多上下文与多尺度信息，从而提高重建精度；其次，引入了尺度分配模块（Scale Assignment Module, SAM），动态加权不同尺度的重要性。此外，研究人员还构建了金字塔重建网络（Pyramid Reconstruction Network, PRN），用于并行处理多尺度测量值，并在其中集成信息聚合模块（Information Aggregation Module, IAM），实现不同尺度间的结构与细节信息互补。大量实验结果表明，PCSNet在三个公开数据集上的性能均优于当前最先进的CS模型。源代码已开源至https://github.com/WHK-Huake/PCSNet。
本研究发表于《Engineering Applications of Artificial Intelligence》，聚焦于单图像压缩感知（CS）在低采样率下的重建质量提升问题。压缩感知是一种突破奈奎斯特采样定理的信号采集与重建技术，能够在远低于传统采样要求的情况下恢复信号，从而减少存储与传输带宽压力。尽管已有大量研究基于迭代优化、端到端深度学习及深度展开模型等方法提升重建效果，但多数工作忽视了采样阶段的优化，导致测量值信息密度不足，尤其在高分辨率图像的低采样率条件下，重建质量显著下降。为此，研究人员提出PCSNet，通过金字塔压缩采样策略将多尺度信息嵌入测量值，并结合金字塔重建网络实现高效的图像恢复。实验证明，该方法在Set5、Set14和BSD100三个基准数据集上均优于现有的先进方法，具有重要的理论与应用价值。
关键技术方法方面，研究人员首先构建图像金字塔，通过下采样获得不同分辨率版本，并采用参数化的卷积操作进行多尺度采样，同时引入尺度分配模块动态学习各尺度的权重。重建阶段设计了金字塔初始化模块（PIM）以获得粗粒度重建结果，并利用金字塔重建模块（PRM）中的信息聚合模块（IAM）和卷积变换模块（CTM）实现多尺度特征融合与长程结构信息提取。训练过程中使用Adam优化器、余弦退火学习率衰减策略，并在Nvidia RTX 3090 GPU上完成模型训练，输入图像块大小为96×96。
研究结果部分，首先在引言中明确了CS的核心挑战在于采样率ρ=m/n远小于1时的病态逆问题，并指出传统随机采样、块采样、二进制采样及自适应采样等方法的信息容量有限。随后，在方法论部分详细阐述了PCSNet的两大核心组件：PCS模块通过在多尺度图像上采样，显著提升了测量值的多尺度信息含量；PRN模块则通过并行分支实现多分辨率图像的联合重建，并利用IAM模块在不同尺度间共享结构及细节信息。实验结果显示，PCSNet在低采样率条件下依然保持了较高的峰值信噪比（PSNR）和结构相似度（SSIM），验证了多尺度采样策略的有效性。
在讨论与结论部分，研究人员指出，PCSNet通过金字塔采样将高分辨率的细节信息与低分辨率的结构信息同时编码进测量值，突破了传统采样策略的信息瓶颈。结合多尺度重建网络，实现了跨尺度信息互补，有效缓解了低采样率下的重建伪影和细节丢失问题。该方法不仅在标准测试集上取得领先性能，也为压缩感知在成像设备资源受限场景中的应用提供了新的技术路径。未来工作可进一步探索金字塔采样的硬件实现及与其他信号恢复任务的结合。
