压缩感知算法_深度学习压缩感知（DCS）历史最全资源汇总分享

压缩感知(Compressed sensing)，也被称为压缩采样(Compressive sampling)，稀疏采样(Sparse sampling)，压缩传感。它作为一个新的采样理论，它通过开发信号的稀疏特性，在远小于Nyquist 采样率的条件下，用随机采样获取信号的离散样本，然后通过非线性重建算法完美的重建信号。压缩感知理论一经提出，就引起学术界和工业界的广泛关注。他在信息论、图像处理、地球科学、光学/微波成像、模式识别、无线通信、生物医学工程等领域受到高度关注，并被美国科技评论评为2007年度十大科技进展

本文整理了基于深度学习的压缩感知(Deep Compressive Sensing，DCS)相关的最新论文、代码实验源代码等资源集合。源代码、pdf、doi等资源都是可用的。相关工作根据采样矩阵类型(基于框架/基于block)、采样规模(single scale、multi-scale)和深度学习平台进行分类。

其他部分给出了除采样、图像/视频重建以外的代码。

本文资源整理自网络，源地址：https://www.toutiao.com/a1646790873776142

Single-Scale Sensing

TIP-CSNet

W. Shi et al., Image Compressed Sensing using Convolutional Neural Network, IEEE Trans. Image Process, 2019.

Perceptual-CS

J. Du, X. Xie, C. Wang, and G. Shi, "Perceptual Compressive Sensing," Chinese Conference on Pattern Recognition and Computer Vision (PRCV), pp. 268 - 279, 2018.

ISTA-Net

Z. Jian and G. Bernard, "ISTA-Net: Interpretable Optimization-Inspired Deep Network for Image Compressive Sensing