극소량의 측정값으로부터 원본 신호를 효과적이고 높은 확률로 고품질 복원하는 것은 압축 센싱 이미지 재구성 연구의 핵심 문제로, 학자들은 전통적 알고리즘과 딥러닝 기반의 압축 센싱 이미지 재구성 알고리즘을 차례로 제안하였다. 전통적 알고리즘은 보통 최적화 모델 반복 해결에 기반하며, 재구성 품질과 속도를 보장할 수 없다; 딥러닝 기반 알고리즘은 상대적으로 높은 재구성 품질을 제공하지만 물리적 해석 가능성이 부족하다. 필터 플로우에서 영감을 받은 본 논문은 전역 및 지역 특성을 결합한 딥 압축 센싱 이미지 재구성 모델(G2LNet)을 제안한다. 이 모델은 컨볼루션 층을 사용해 압축 샘플링과 초기 재구성 과정을 수행하며, 빠른 푸리에 컨볼루션과 필터 플로우를 활용한다. 이미지의 전역 컨텍스트 정보와 픽셀의 지역 이웃 정보를 모두 고려하였으며, 측정 행렬과 필터 플로우를 공동 학습하여 최적화한다. 완전한 엔드 투 엔드 학습 가능한 딥 압축 센싱 이미지 재구성 네트워크를 구축하였다. 실험 결과, 압축 센싱 이미지 재구성 분야에서 자주 사용하는 Set5, Set11, BSD68 테스트 데이터셋에서 좋은 재구성 성능을 얻었으며, 샘플링 비율 20%에서 G2LNet의 이미지 재구성 품질은 고전적인 전통 알고리즘 MH와 딥러닝 알고리즘 CSNet 대비 평균 PSNR이 각각 2.29 dB, 0.51 dB 향상되어 재구성 이미지 품질이 효과적으로 향상되었다.

압축 센싱;이미지 재구성;빠른 푸리에 컨볼루션;필터 플로우;딥 뉴럴 네트워크