GMCMISTA-Net++：融合自适应多比率学习的混合注意力驱动压缩感知

《Journal of Systems Engineering and Electronics》：GMCMISTA-Net++: Hybrid attention-driven compressive sensing with adaptive multi-ratio learning

　　

摘要：

压缩感知（CS）已成功与深度学习神经网络结合，生成图像深度压缩感知模型。许多现有模型面临显著局限，例如无法处理多种压缩感知比率的任务，以及图像重建性能欠佳等问题。为克服这些挑战，本文提出了一种优化的深度网络模型，命名为全局多注意力条件模块（GMCM）迭代收缩阈值算法（ISTA）-Net⁺⁺。在该模型中，图像的压缩感知比率被纳入作为网络参数，使网络能够有效处理多种压缩感知比率的任务。此外，采用混合注意力机制对重建图像进行预处理以提取特征，并计算图像复杂度得分。这些要素随后与压缩感知比率相结合，共同预测参数和迭代重建步骤，并将其广播至模型的所有迭代阶段。在高分辨率和低分辨率图像数据集上的大量实验表明，所提出的GMCM ISTA-Net⁺⁺模型相比传统模型取得了更优越的性能。鉴于其灵活性、增强的重建质量和适应性，该模型在资源受限的移动图像处理终端部署方面具有重大潜力。