成人视频

6月4日下午，信息成人视频 举办了2025年第7期IT讲座，本次讲座邀请到西北工业大学长聘副教授干红平老师，为我们带来题为“基于深度展开重建技术的压缩感知方法”的学术报告。成人视频 李秀梅副院长主持此次讲座，校内外老师及成人视频 研究生出席本次讲座。

本次讲座，干红平老师从压缩感知的定义、典型的深度展开网络、组内的相关工作、未来的工作展望四个方面深入开展主题报告。

干教授直击传统信号处理的核心瓶颈：受限于奈奎斯特采样定理，高频信号需超高采样率，导致医学成像等领域存在"前端传感器资源过载、后端计算资源闲置"的本末倒置现象。2006年提出的压缩感知框架虽通过特殊感知矩阵直接获取压缩数据，突破采样率限制，但重建效率与精度始终面临挑战。传统迭代算法（如ISTA、CP-PPA）需50-200次迭代，耗时久，且参数调节困难。

针对上述难题，干教授系统阐述深度学习工具相关的解决方案。黑盒神经网络采用分块卷积采样与重建架构，实现端到端映射但可解释性弱；Transformer架构虽提升全局特征捕获能力，低采样率场景表现仍受限。更具突破性的深度展开网络将领域知识与特征提取能力相结合，在减少迭代次数以加速重建过程的同时，还能实现参数的自适应学习，利用数学先验知识提高技术可解释性。

接下来，干教授详细介绍了他们团队在深度展开网络上的进展。其团队开发的TransCS首次将Transformer应用于深度展开网络中，同时混合CNN的网络架构，在磁共振成像中实现复数域实部-虚部协同优化，提高了网络的可解释性。为解决TransCS带来的参数量和计算复杂度增长的困难，又提出了NesTD-Net，该网络采用了双路径设计融合整个图像的信息来减轻块效应，在0.04超低采样率下仍保持纹理细节。受CP-PPA算法的启发，团队进一步构建了CPP-Net架构，利用自适应感知矩阵学习策略和对偶特性，突破固定高斯矩阵限制。进一步的，团队又结合同伦算法的优势，提出HUNet架构，在迭代阶段内部就实现了具备全局感受野的多尺度信息交互能力。

讲座的过程中，师生们们针对不同方法中的采样区别、SCI高光谱任务细节，以及Mamba与CS-MRI的结合提出了问题，得到了干老师的详细回答。

本次讲座干老师向我们展示了压缩感知与深度学习融合的技术脉络，为成人视频 师生在压缩感知重建技术领域的深入提供了很多的建议，相信老师同学们通过本次会议一定会收获颇丰。

（文/高俊逊 钱欣宜 图/刘光宇）