基于深度学习的两阶段多假设视频压缩感知重构算法

杨春玲 凌茜

(华南理工大学 电子与信息学院，广东 广州 510640)

压缩感知重构算法旨在接收端利用观测值恢复出原始信号，是压缩感知研究任务的核心。图像压缩感知重构算法利用图像信号的空间相关性获得高质量的重构图像，而视频压缩感知重构(Compressed Video Sensing,CVS)则在其基础上通过挖掘视频信号特有的时间相关性来提升重构质量。传统基于分块的CVS重构算法通常结合运动估计与运动补偿算法(Motion Estimation/ Motion Compensation,ME/MC)实现时间相关性的有效利用。文献[1- 2]提出“预测-残差重构”的视频重构框架，首先采用多假设预测算法(Multi Hypothesis,MH)在相邻帧中搜索相似块组成假设集，而后利用Tikhonov正则项求出各假设块的预测权重，从而得到重构帧的预测信息，最后针对预测残差更稀疏的特性，采用基于分块的平滑投影迭代重构算法(Block Compressed Sensing based Smoothed Projected Landweber,BCS-SPL)[3]进行残差重构提升重构质量；该框架结构简单、重构性能好，是CVS领域经典的重构框架，基于此，多种改进算法被提出。为了优化假设集的构成，文献[4]在多个候选参考帧中选择最优参考帧进行多假设预测;文献[5]同时利用多个参考帧对当前帧进行多假设预测;文献[6]提出基于多参考帧的二阶段多假设重构算法(Two-Stage Multi-Hypothesis Reconstruction,2sMHR)，在观测域多假设重构的基础上引入第二阶段图像域重叠分块多假设，有效地减轻了块效应。为了提高假设块权值的求解精度，文献[7]引入弹性网模型，将l1范数与l2范数作为权值求解的正则约束项；文献[8]则在此基础上对l2范数正则化项进行权值调整。为了适应更稀疏的残差信号的重构需求，文献[9]利用MH[2]算法进行残差重构，减少了BCS-SPL带来的重构噪声。……