Os algoritmos iterativos de reconstrução por compressão baseada em redes neurais convolucionais (Convolutional Neural Networks, CNN) têm dificuldade em capturar dependências de longo alcance em imagens de alta resolução. Embora o uso do Transformer possa resolver esse problema, a quantidade de parâmetros da rede e o tempo de reconstrução da imagem aumentam exponencialmente. Com base nisso, este artigo propõe uma rede iterativa de reconstrução por compressão que combina características hierárquicas da imagem (Combining Image Hierarchical-Feature Network, CHFNet), melhorando a qualidade da reconstrução da imagem enquanto reduz o tempo de reconstrução. O CHFNet é composto por duas sub-redes: amostragem e reconstrução. A sub-rede de amostragem fornece medidas mais eficazes para o processo de reconstrução por meio de uma matriz de amostragem aprendível. Na sub-rede de reconstrução, foi projetada uma estratégia iterativa que utiliza operações de descida de gradiente e otimização de características, além de propor uma arquitetura híbrida leve CNN-Transformer capaz de modelar e otimizar características hierárquicas de alta granularidade da imagem, melhorando a capacidade perceptiva da rede e reduzindo a complexidade computacional. Além disso, o CHFNet realiza aprendizado conjunto otimizado de amostragem e reconstrução, alcançando treinamento completo de ponta a ponta. Os resultados experimentais mostram que o algoritmo proposto alcança bons resultados de reconstrução em vários conjuntos de dados públicos. No conjunto de dados Urban100, o PSNR médio e o SSIM aumentaram 0,63 dB e 0,0076 respectivamente em comparação com o melhor algoritmo existente CSformer; a uma taxa de amostragem de 0,10, o tempo médio de reconstrução foi reduzido em 2,7447 s, 3,5510 s e 4,7750 s nos conjuntos de dados Set11, BSD68 e Urban100, respectivamente, em comparação com o CSformer.

compressão por sensoriamento;características hierárquicas da imagem;Transformer;redes neurais convolucionais;estratégia iterativa;reconstrução de imagem