합성곱 신경망(Convolutional Neural Networks, CNN)을 기반으로 한 이미지 압축 감지 반복 복원 알고리즘은 고해상도 이미지의 장거리 의존성을 포착하는 데 어려움이 있으며, Transformer를 사용하면 문제를 해결할 수 있지만 네트워크 파라미터 수와 이미지 복원 시간이 기하급수적으로 증가합니다. 이에 본 논문에서는 이미지 계층적 특징을 결합한 압축 감지 반복 복원 네트워크(Combining Image Hierarchical-Feature Network, CHFNet)를 제안하여 이미지 복원 품질을 향상시키는 동시에 복원 시간을 단축하였습니다. CHFNet은 샘플링과 복원 두 개의 하위 네트워크로 구성되며, 샘플링 하위 네트워크는 학습 가능한 샘플링 행렬을 통해 복원 과정에 보다 효율적인 측정값을 제공합니다. 복원 하위 네트워크에서는 경사 하강 연산과 특징 최적화 연산을 활용한 반복 전략을 설계하였으며, 고세분화 이미지 계층적 특징을 모델링하고 최적화할 수 있는 경량 CNN-Transformer 하이브리드 구조를 제안하여 네트워크 인지 능력을 향상시키면서 계산 복잡도를 낮췄습니다. 또한 CHFNet은 샘플링과 복원을 공동으로 최적화하여 완전한 엔드투엔드 학습을 실현했습니다. 실험 결과 제안된 알고리즘은 여러 공개 벤치마크 데이터셋에서 우수한 복원 성능을 보였습니다. Urban100 데이터셋에서 기존 최적 알고리즘인 CSformer 대비 평균 PSNR과 SSIM이 각각 0.63 dB와 0.0076 향상되었으며, 0.10 샘플링 비율에서 Set11, BSD68, Urban100 데이터셋에서 CSformer 대비 평균 복원 시간이 각각 2.7447초, 3.5510초, 4.7750초 감소하였습니다.

압축 감지;이미지 계층적 특징;Transformer;합성곱 신경망;반복 전략;이미지 복원