Sensado de Imágenes Comprimidas Usando una Red Neural No Local

El sensado de imágenes comprimidas (CS) basado en redes profundas ha atraído mucha atención en los últimos años. Sin embargo, los esquemas existentes de CS basados en redes profundas o reconstruyen la imagen objetivo de manera bloque por bloque, lo que lleva a graves artefactos de bloque, o entrenan la red profunda como una caja negra, lo que produce conocimientos limitados sobre el conocimiento previo de la imagen. En este artículo, se propone un nuevo marco de CS de imagen utilizando una red neural no local (NL-CSNet), que utiliza los antecedentes de auto-similitud no local con la red profunda para mejorar la calidad de reconstrucción. En el NL-CSNet propuesto, se construyen dos subredes no locales para utilizar los antecedentes de auto-similitud no local en el dominio de medición y en el dominio de características multiescala, respectivamente. Específicamente, en la subred del dominio de medición, se establecen las dependencias de largo alcance entre las mediciones de diferentes bloques de imagen para una mejor reconstrucción inicial. De manera analógica, en la subred del dominio de características multiescala, se exploran las afinidades entre las representaciones de características densas en el espacio multiescala para una reconstrucción profunda. Además, se desarrolla una nueva función de pérdida para mejorar el acoplamiento entre las representaciones no locales, lo que también permite un entrenamiento de extremo a extremo de NL-CSNet. Experimentos extensos manifiestan que NL-CSNet supera a los métodos de CS existentes de última generación, manteniendo una velocidad computacional rápida.