USB-Net压缩成像网络

多相位特征融合

基于Split Bregman展开的深度网络，通过多相位特征融合，在低采样率下显著提升图像重建质量。

Zhen, Guo · 干红平

IEEE Transactions on Image Processing 2025

技术优势

低采样率下细节保持更好

通过多相位特征融合，增强边缘和纹理等关键特征的利用，缓解低采样率下的信息丢失。

多任务通用性强

该方法无需针对不同任务做结构调整，在多种压缩成像任务上都能取得最优性能。

应用场景

• 计算成像：利用多相位特征融合提升低采样率下重建质量，可嵌入现有计算成像系统。
• 图像压缩感知：在压缩感知任务中显著优于现有方法，可替代现有重建模块。
• 医学图像重建：用于CS-MRI加速成像，减少扫描时间并保持图像细节。
• 快照成像：在快照压缩成像任务上性能领先，可直接用于高速或低光场景。