非常に少量の測定値から元の信号を効果的かつ高確率で高品質に復元することは、圧縮センシング画像再構成研究の中心課題であり、学者たちは従来の手法と深層学習に基づく圧縮センシング画像再構成アルゴリズムを次々と提案してきた。従来のアルゴリズムは通常、最適化モデルの反復解法に基づき、再構成の品質や速度を保証できない。一方、深層学習に基づくアルゴリズムは比較的高い再構成品質を実現するが、物理的な解釈性に欠ける。フィルタフローに着想を得て、本論文はグローバルおよびローカル特徴を統合した深層圧縮センシング画像再構成モデル（G2LNet）を提案する。畳み込み層で圧縮サンプリングおよび初期再構成を行い、高速フーリエ畳み込みとフィルタフローを利用しつつ、画像のグローバルな文脈情報とピクセルのローカル近傍情報を考慮し、測定行列とフィルタフローを共同で学習し最適化することにより、完全なエンドツーエンド学習可能な深層画像圧縮センシング再構成ネットワークを構築した。実験の結果、圧縮センシング画像再構成分野で一般的に用いられるSet5、Set11、BSD68のテストセットで良好な再構成効果を示した。サンプリング率20％の場合、G2LNetの画像再構成品質は古典的な従来アルゴリズムMHおよび深層学習アルゴリズムCSNetと比較して、平均PSNRがそれぞれ2.29 dBおよび0.51 dB向上し、再構成画像の品質を効果的に向上させた。

圧縮センシング;画像再構成;高速フーリエ畳み込み;フィルタフロー;深層ニューラルネットワーク