基于滤波器剪枝的多尺度压缩感知图像重构

摘要

为了解决低采样率下单尺度采样的压缩感知重构图像纹理细节模糊问题，同时达到使重构网络轻量化的目的，提出了一种基于滤波器剪枝的多尺度压缩感知图像重构网络.采样阶段，通过卷积来模拟图像的线性分解，融合输入图像和不同尺度的分解特征后完成多尺度采样，得到压缩感知测量值.重构阶段，设计了一种基于坐标注意力的多尺度空洞残差模块，将位置信息嵌入通道注意力中，增强网络特征学习的能力.同时通过计算特征图的熵来判断滤波器的重要性，剪除重要性较低的滤波器，达到压缩模型的目的 .在DIV2K、Set5、BSDS68和Urban100等数据集上进行训练及测试.实验结果表明，所提算法在峰值信噪比（Peak Signalto-Noise Ratio, PSNR）、结构相似性（Structural Similarity, SSIM）和图像视觉效果上均有提升.其中，采样率为4%，测试集为Set14时，与CSNet+和FSOINet相比，所提算法将重构图像的PSNR分别提高了4.17 dB和2.39 dB，纹理细节更加清晰.在重构效果略微降低的前提下，得到更轻量化的模型，提升了重构速度.

关键词

压缩感知 / 图像重构 / 多尺度融合 / 坐标注意力 / 滤波器剪枝