近日，bwin必赢张健老师课题组的一篇关于压缩感知的研究成果“Deep Memory-Augmented Proximal Unrolling Network for Compressive Sensing”被国际顶级期刊IJCV录用（论文地址：https://link.springer.com/article/10.1007/s11263-023-01765-2）。张健老师课题组主页：https://villa.jianzhang.tech/。

IJCV的全称是 International Journal of Computer Vision（计算机视觉国际期刊），是中国计算机学会推荐的A类学术期刊，其最新JCR影响因子为13.369。IJCV是 Springer 出版公司的最顶级期刊之一，主要收录有关计算机视觉的数学、物理、计算等多方面，包含图像渲染、计算机图形学、机器人技术等多种应用的优秀研究成果。

压缩感知（CS）是一种信号采集并重构的方法，其旨在从少量线性观测值中重建原始图像信号，以突破奈奎斯特采样极限、极大地降低获取信号的成本。CS应用广泛，其中包括了单像素相机、医疗成像（如CT和MRI）、无限遥感技术以及视频快照等。

压缩感知问题被引起了广泛的关注，目前随着深度学习的出现，也出现了很多基于神经网络的方法，其中可以分为两类，一种是“黑盒”网络，直接通过网络从观测值中学习重建原始图像；另一种是深度展开网络，将优化方法与网络进行结合，从而展开整个迭代过程，进行端到端学习。由于深度展开网络保持实时推理，具有很好的可解释性，目前成为了CS问题的主流方法。

由人类大脑实现记忆的方式得到启发，本文将深度展开网络中每次迭代过程（stage）看作一个神经元，从而信息传递方式可被分为stage内部和stage之间，因此为了增强网络信息传输，本文对这两种方式分别进行精细化设计，如图1所示。

图1. 网络整体框架

在stage内部，本文中提出了自调制模块 (SMB), 如图2所示。SMB可以自适应地生成仿射变换参数，从而进行元素级特征调制。SMB 在没有增加模型参数的情况下，增大了感受野，使得网络在stage内部高效地提取到更丰富的特征信息。

图2. 自调制模块结构框图

为了增加stage之间的信息传输，本文提出了两种记忆传输机制：高通的短期记忆机制 (HSM), 跨 stage的长期记忆机制 (CLM), 如图1所示。HSM 在每个stage中引入前一个stage中的多通道信息，强调解决相邻stage间信息损失的问题；CLM 利用LSTM本身具备的长期依赖特性，使得stage间信息具备长距离传输能力。

结合以上设计，本文提出了记忆增强的深度展开网络（MAPUN），并且已在多个数据集上验证了MAPUN的性能最优。

图3. 实验结果

本篇工作的第一作者为bwin必赢张健老师课题组的博士四年级学生宋皆充同学，第二作者为张健老师课题组硕士二年级学生陈斌同学，通讯作者为张健助理教授。以上研究工作在算力方面得到了深圳鹏城实验室的“鹏城云脑”支持。