Abstract
近年来，基于深度网络的压缩感知(CS)方法取得了很大的成功。
但它们大多将不同的采样矩阵视为不同的独立任务，需要为每个目标采样矩阵训练特定的模型。
这种做法导致计算效率低下，泛化能力差。
这篇文章提出了一种新的 Controllable Arbitrary-Sampling Network ，称为COAST，用于解决单模型任意采样矩阵(包括不可见采样矩阵)的CS问题。
在优化启发的深度展开框架下，COAST展现出良好的可解释性。
在COAST中，提出了一种random projection augmentation(RPA)策略来提高采样空间的训练多样性，从而实现任意采样，并进一步开发了一种controllable proximal mapping network(CPMM)和 plug-and-paly deblocking(PnP-D)策略，分别动态调节网络特征和有效消除blocking artifacts。
在广泛使用的基准数据集上的大量实验表明，COAST不仅能够用单个模型处理任意采样矩阵，而且还能以快速的速度实现最先进的性能。
Conclusion
这篇文章提出了一种新的可控任意采样网络，称为COAST，在优化启发的深度展开框架下用于压缩感知。
COAST 能够用单个模型处理任意采样矩阵， 展现出好的可解释性， 高鲁棒性，以及高计算效率。
大量的实验表明，该方法不仅可以获得与针对不同特定采样矩阵单独训练的单个模型相同的CS性能，而且大大改善了目前最先进的固定随机高斯矩阵(FRGM)和数据驱动自适应学习矩阵(DALM)的CS结果。
预计提出的COAST将在未来的计算成像中激发出广泛的潜在现实应用的新见解，包括但不限于处理加速MRI中的任意采样mask，处理单像素成像中的多个数字微镜设备(DMDs)，以及稀疏视图CT中不同系统矩阵下的重建。
-
Previous
【深度学习】DGUNet：Deep Generalized Unfolding Networks for Image Restoration -
Next
【深度学习】GAP-Net: GAP-net for Snapshot Compressive Imaging
