基于可逆多尺度谱域协同机制的图像压缩感知

摘要

针对现有基于扩散模型的图像压缩感知(CS)方法在跨尺度特征融合不足、频域信息利用不充分、任务偏移、迭代效率低及物理信息融合弱等问题，提出一种融合动态多尺度机制与跨域联合优化策略的图像压缩感知重构框架(RMCS)。通过端到端训练策略，将预训练扩散模型的采样过程与目标重建映射对齐，优化扩散参数与噪声估计网络权重以弥合任务偏移，并减少所需采样步数。核心设计包括：(1)多尺度动态权重融合机制，结合通道注意力与跨尺度交互模块，自适应整合多级特征以协调全局结构与局部细节表达；(2)动态频域学习模块，利用可学习频域滤波强化关键频率成分，并与空间域特征动态融合以增强高频细节恢复；(3)两级可逆设计，通过链式采样及分组变换实现参数共享，显著降低训练内存消耗，从O(T)降至O(1);(4)轻量级物理信息注入模块，将测量值及测量矩阵信息深度嵌入噪声估计器各级特征，强化测量一致性约束。实验结果表明，在Set11、Urban100等基准数据集上，RMCS在峰值信噪比(PSNR)、结构相似性(SSIM)和视觉效果上均显著优于对比方法。

关键词

图像压缩感知 / 动态多尺度融合 / 跨域联合优化 / 扩散模型 / 可逆神经网络