压缩感知Compressive Sensing

压缩感知（Compressive Sensing）是什么？

比如你画画：

你想临摹一幅画，通常会一步步照着原图细细描出来，对吧？

那压缩感知说的是：

“你其实不用画全部的细节，只画一小部分关键的点，就可以推断出整幅画。”

也就是说：

• 传统方式：把整张图全部记录下来（比如每个像素）
• 压缩感知：只记录图像中的“少量有用信息”（比如 20% 的像素），然后再还原出原始图像

---

更正式一点说

压缩感知（Compressive Sensing，CS） 是一种信号处理理论，它的核心思想是：

在远少于传统采样率的情况下，从压缩后的数据中重建出高质量的原始信号。

在传统信号采样中（比如奈奎斯特定理），你需要以一个足够高的频率去采样信号。但压缩感知发现，对于稀疏或可压缩的信号，可以通过少量“随机投影”（即测量）来直接采样和压缩合一，之后再用数学优化或深度学习方法还原原始信号。
压缩感知是一种技术，它能让你：只采集少量数据，就可以准确重建原始信号或图像。

它的前提是：

• 图像或信号是“稀疏的”或“有结构的”
• 比如一张图，其实很多区域是重复的、没变化的，没必要全都采样

---

为什么有用？

• 节省采集时间（比如 MRI 扫描可以更快）
• 节省传输带宽（图像压缩后更小）
• 降低存储成本

---

怎么做到的？
压缩感知主要分成两步：

1. 压缩采样（只采集一部分数据）
   → 就像你用少量笔触画出一个轮廓。

2. 重建原始图像（用数学或深度学习恢复完整图）
   → 让机器自己把轮廓“脑补”成完整的图像。

---

Deep Compressive Sensing（DCS）又是什么？

DCS 就是引入 深度学习模型（如 CNN、Transformer 等）来替代传统CS中的优化重建过程，通常包括：

• 用神经网络来设计采样矩阵（自动学习怎么采样更高效）
• 用神经网络来做信号恢复（ 自动学习怎么把缺失的数据补回来）
• 实现端到端训练，从压缩 → 解码都由网络完成

应用场景：

• 医学成像（MRI）
• 遥感图像
• 摄像头图像压缩传输
• 视频编解码

---

DOI 全称是 Digital Object Identifier（数字对象唯一标识符）。

它是用来唯一标识学术论文、数据集、图书、报告等数字资源的永久链接，就像学术世界里的“身份证”一样。

举个例子（只是举例，非真实存在），一个论文的 DOI 可能是：

10.1109/CVPR.2021.00345

你可以用 https://doi.org/10.1109/CVPR.2021.00345 直接跳转到论文的官方页面。

好处：

• 永久有效，即使论文网址变了，DOI 也能跳转过去
• 标准化引用，学术出版物中会广泛使用