基于生成模型的压缩感知重建开题报告

1. 本选题研究的目的及意义

压缩感知作为一种新兴的信号采集与处理理论，近年来在图像处理、无线通信、医学成像等领域受到了广泛关注。

其核心思想是利用信号的稀疏性，以远低于奈奎斯特采样定理要求的速率对信号进行采集和重建，从而有效降低数据采集、传输和存储的成本。

然而，传统的压缩感知重建算法通常依赖于信号的稀疏表示，且在低采样率情况下重建质量受限。

2. 本选题国内外研究状况综述

近年来，压缩感知理论与深度学习的结合成为研究热点，涌现出许多基于深度学习的压缩感知重建算法。

1. 国内研究现状

国内学者在基于深度学习的压缩感知重建领域取得了一系列重要进展。

3. 本选题研究的主要内容及写作提纲

本选题旨在研究基于生成模型的压缩感知重建方法，并通过实验验证其有效性。

主要内容包括以下几个方面：

1. 主要内容

4. 研究的方法与步骤

本研究将采用理论分析、算法设计、仿真实验和结果分析相结合的研究方法。

1.首先，进行文献调研，深入研究压缩感知和生成模型的相关理论和最新研究成果，为后续研究奠定基础。

2.其次，选择合适的生成模型，并结合压缩感知理论，设计基于生成模型的压缩感知重建算法。

5. 研究的创新点

本研究的创新点在于将生成模型引入压缩感知重建领域，利用生成模型强大的数据生成能力，提升压缩感知重建算法的性能，特别是在低采样率情况下。

具体而言，本研究的创新点主要体现在以下几个方面：
1.提出基于新型生成模型的压缩感知重建算法，例如，探索基于扩散模型、基于transformer的生成模型等在压缩感知重建中的应用，并设计相应的重建算法，以期进一步提高重建图像的质量。

2.探索生成模型与传统压缩感知重建算法的新型结合方式，例如，将生成模型作为传统迭代算法的学习型正则项，或者将生成模型融入到深度展开网络中，以构建更有效的重建算法。

6. 计划与进度安排

第一阶段 （2024.12~2024.1）确认选题，了解毕业论文的相关步骤。

第二阶段（2024.1~2024.2）查询阅读相关文献，列出提纲

第三阶段（2024.2~2024.3）查询资料，学习相关论文

7. 参考文献（20个中文5个英文）

[1] 张旭,杨震.基于深度生成模型的压缩感知图像重建[j].电子与信息技术,2021,43(11):172-177.

[2] 杨帆,徐小龙,王健.基于压缩感知和生成对抗网络的图像重建[j].计算机应用研究,2020,37(12):3768-3774.

[3] 王超,李俊山,于静.基于压缩感知和深度生成模型的图像超分辨率重建[j].计算机工程,2020,46(01):285-291.