畳み込みニューラルネットワーク（Convolutional Neural Networks、CNN）に基づく画像圧縮センシングの反復再構成アルゴリズムは、高解像度画像の長距離依存関係を捉えることが困難であり、Transformerを採用することでこの問題は解決できるものの、ネットワークのパラメータ数と画像再構成時間が指数関数的に増加します。これに基づき、本論文では画像の階層的特徴を結合した圧縮センシング反復再構成ネットワーク（Combining Image Hierarchical-Feature Network、CHFNet）を提案し、画像再構成の品質向上と再構成時間の短縮を同時に実現しました。CHFNetはサンプリングと再構成の二つのサブネットワークで構成され、サンプリングサブネットワークは学習可能なサンプリング行列を通じて再構成プロセスにより効果的な測定値を提供します。再構成サブネットワークでは、勾配降下操作と特徴最適化操作を用いた反復戦略を設計し、高細粒度な画像階層的特徴をモデル化および最適化できる軽量なCNN-Transformerハイブリッドアーキテクチャを提案し、ネットワークの認知能力を強化しつつ計算コストを低減しました。さらに、CHFNetはサンプリングと再構成の共同最適化学習により完全なエンドツーエンドトレーニングを実現しました。実験結果は、提案アルゴリズムが複数の公開ベンチマークデータセットで良好な再構成性能を達成していることを示しています。Urban100データセットでは、既存の最適アルゴリズムCSformerと比較して平均PSNRおよびSSIMがそれぞれ0.63 dBおよび0.0076向上し、0.10のサンプリング率においてSet11、BSD68およびUrban100データセットでの平均再構成時間がそれぞれ2.7447秒、3.5510秒、4.7750秒短縮されました。

圧縮センシング;画像階層的特徴;Transformer;畳み込みニューラルネットワーク;反復戦略;画像再構成