人工智能-压缩感知技术在颅脑3D T2-FLAIR序列采集及脑白质高信号评价中的应用

目的探究不同的基于人工智能压缩感知(artificial intelligence-assisted compressed sensing,ACS)加速因子对颅脑3D T2WI液体衰减反转恢复(3D T2WI fluid-attenuated inversion-recovery,3D T2-FLAIR)序列图像质量的影响,并获取最优化的扫描方案。材料与方法前瞻性纳入健康青年志愿者(healthy control,HC)25例、脑白质高信号(white matter hyperintensity,WMH)患者15例,HC组分别以并行采集(parallel imaging,PI)技术(加速因子为3,F3)和不同加速因子(3、4、5、6、7、8)ACS技术采集颅脑3D T2-FLAIR图像,测量双侧半卵圆中心、双侧尾状核、胼胝体压部、双侧红核、双侧黑质、脑桥、双侧小脑的信号强度以及标准差,并计算图像的信噪比(signal to noise ratio,SNR)和对比噪声比(contrast to noise ratio,CNR)。采用五分法对图像质量进行主观评分。采用组内相关系数(intra-class correlation coefficient,ICC)、Kappa检验比较前后两次测量及观察者间主观评分的一致性。对不同加速因子的图像的SNR、CNR及主观评分采用Friedman秩和检验进行对照分析,综合评判后得出最佳的ACS加速因子;WMH组分别以F3及最佳ACS加速因子采集颅脑3D T2-FLAIR图像,并由两名经验丰富的诊断医师对脑白质病灶数目、Fazekas分级进行评估,采用独立样本t检验、Mann-Whitney U检验进行对照分析。结果HC组中,不同3D T2-FLAIR的SNR、CNR及主观评分差异具有统计学意义(P均<0.05);两两比较结果显示,3D T2-FLAIRACS3、3D T2-FLAIRACS4与3D T2-FLAIRF3的SNR、CNR,3D T2-FLAIRACS3、3D T2-FLAIRACS4、3D T2-FLAIRACS5与3D T2-FLAIRF3的主观评分差异无统计学意义(P均>0.05),其余图像SNR、CNR及主观评分差异均具有统计学意义(P均<0.05)。WMH组中,3D T2-FLAIRF3与3D T2-FLAIRACS4在病灶数目和Fazekas分级方面差异无统计学意义(P均>0.05)。结论以ACS技术采集颅脑3D T2-FLAIR可在保证图像质量和序列诊断效能的前提下缩短扫描时间,选取的最优加速因子为ACS4。

头颈联合3D-TOF-MRA人工智能辅助压缩感知序列的优化

目的通过比较施加不同加速因子(acceleration factors,AF)的并行采集(parallel imaging,PI)、压缩感知(compressed sensing,CS)、人工智能-压缩感知(artificial intelligence compressed sensing,ACS)技术的头颈联合三维时间飞跃法磁共振血管成像(three-dimensional time-of-fight magnetic resonance angiography,3D-TOF-MRA)的图像质量,选取优化序列。材料与方法前瞻性招募24例健康志愿者,以PI的AF为3(PI 3)、CS的AF分别为4和6(CS 4、CS 6)以及ACS的AF分别为4、6、8、10(ACS 4、ACS 6、ACS 8、ACS 10)进行头颈联合3D-TOF-MRA扫描。扫描时间:PI 3=8 min 40 s;CS 4=6 min 38 s;CS 6=4 min 9 s;ACS 4=5 min 24 s;ACS 6=4 min 30 s;ACS 8=4 min 13 s;ACS 10=3 min 24 s。分别在双侧大脑中动脉(middle cerebral artery,MCA)M1段、双侧颈内动脉(internal carotid artery,ICA)C4段、颈动脉分叉处下5个层面的双侧颈总动脉(common carotid artery,CCA)以及MCA及ICA同一层面的颞叶白质,CCA同一层面的胸锁乳突肌作为背景区域勾画感兴趣区(regions of interest,ROI),记录信号强度(signal intensity,SI)及标准差(standard deviation,SD),从而计算信噪比(signal-to-noise ratio,SNR)与对比噪声比(contrast-to-noise ratio,CNR)。采用四分法和五分法分别对整体图像质量以及颅内动脉、颈部大动脉进行评分。以组内相关系数(intra-class correlation coefficient,ICC)比较两名放射医师之间及同一名放射医师内客观评价结果的一致性,Kappa检验比较两名放射医师之间及同一名放射医师内主观评价结果的一致性,若一致性良好,则选取其中一位医师的客观评分及主观评分进行后续统计分析。采用单因素方差分析或Kruskal-Wallis检验对客观评分以及主观评分进行总体差异比较,若差异具有统计学意义则进行两两比较。结果与PI技术比较显示,ACS 4~ACS 8的SNR_(L-MCA),ACS 8、ACS 10的CNR_(L-MCA),ACS 4、ACS 6、ACS 10的CNR_(R-MCA),ACS 4~ACS 10的SNR_(R-MCA)、SNR_(L-CCA)、CNR_(L-CCA),ACS 6~ACS 10的SNR_(R-CCA)、CNR_(R-CCA)均高于PI 3,差异具有统计学意义(P<0.05)。与CS技术比较显示,ACS 4~ACS 10的SNR_(R-MCA)、CNR_(L-MCA)及CNR_(R-MCA),ACS 4~ACS 8的SNR_(L-MCA)、SNR_(L-CCA)、SNR_(R-CCA)、CNR_(L-CCA)、CNR_(R-CCA)与CS 4差异具有统计学意义(P<0.05),ACS 4~ACS 10的SNR_(L-MCA)、SNR_(R-MCA)、CNR_(L-MCA)、CNR_(R-MCA)、SNR_(L-ICA)、SNR_(R-ICA)、CNR_(L-ICA)、SNR_(L-CCA)、SNR_(R-CCA)、CNR_(L-CCA)、CNR_(R-CCA)与CS 6差异具有统计学意义(P<0.05),均优于CS 4、CS 6。ACS技术之间两两比较,ACS 8的SNR_(L-MCA)高于ACS 10(P<0.05),ACS 8、ACS 10的SNR_(R-CCA)、CNR_(R-CCA)均高于ACS 4(P<0.05),其余差异均无统计学意义(P>0.05)。除颈部大动脉图像外,主观评分统计结果均为ACS 4~ACS 10与CS 6差异具有统计学意义(P<0.05),优于CS 6。结论与PI及CS技术相比,ACS技术拥有更短的扫描时间,更好的图像质量。ACS 8为最优序列,扫描时间比PI 3缩短51%。

特征域近端高维梯度下降图像压缩感知重构网络

压缩感知理论可以被用于解决信源采集设备计算资源受限的问题,但信号重构过程存在不确定性。传统的重构算法计算复杂度高,难以在实际中应用。近期,基于深度学习的重构算法打破传统算法的局限性,以其速度快、质量高等特点受到了广泛关注。现有的深度学习重构算法可以划分为“黑盒子”以及基于优化启发网络两种类型。与“黑盒子”式的网络结构相比,基于优化启发的深度网络更容易获得高精度的恢复,同时也更具可解释性。然而现有基于优化启发的图像压缩感知重构网络在每个优化阶段仅学习单一梯度,存在测量值信息利用不足、难以准确地学习梯度等缺点,限制了重构性能的提升。为了更充分地利用测量值信息,降低梯度学习的难度,本文提出了高维空间梯度学习思想,实现更准确的梯度回归。在此基础上,本文提出了特征域近端高维梯度下降(FPHGD)算法,并设计了实现该算法的深度神经网络(FPHGD-Net)以获得高精度图像重构结果。此外,本文设计了3种不同复杂度的深度空间近端映射网络结构,以满足不同的应用条件,按空间复杂度从低到高,相应模型分别为FPHGD-Net-Tiny、FPHGD-Net、FPHGD-NetPlus。实验结果表明,与OPINE-Net+相比,所提3种模型在Set11数据上的平均PSNR分别提升1.34、1.51和1.88 dB,并且在重构视觉效果上,能够恢复出更丰富的图像细节。

压缩感知和图卷积神经网络相结合的宽频振荡扰动源定位方法

新能源并网引发的宽频振荡严重威胁电网安全,实现宽频振荡源的在线定位并及时采取抑制措施以保证系统安全稳定尤为必要。为此,提出一种压缩采样和图卷积神经网络相结合的宽频振荡源定位方法,该方法首先在子站对时序的振荡信号进行稀疏采样,获得其低维观测序列,作为节点的时序信息,然后在主站融合系统的拓扑结构捕捉各节点的邻接关系,综合考虑系统振荡的时空特性,运用图卷积神经网络实现振荡源定位。最后利用宽频振荡样本集进行仿真验证,结果表明所提方法在量测数据含有噪声、传输数据缺失以及传输数据偏差的情况下都有较高的定位准确度。

压缩感知在斜轴式马达声强成像中的应用研究

斜轴式轴向柱塞马达内部噪声源距离较近,如马达配流盘进、出油口间的距离为38 mm,且马达噪声源存在同频及倍频现象。斜轴式马达内部密集复杂的噪声源,导致频谱分析方法难以准确识别同频及倍频信号,传统声强测量的最高分辨率为50 mm,无法满足马达内部噪声源的辨识精度要求。针对传统方法难以准确辨识马达噪声源的问题,文中提出了一种基于压缩感知的声强测量方法,将压缩感知理论运用于声强云图高精度重构中,获取马达高分辨率的声强重构图像。首先,通过对斜轴式马达进行噪声辐射仿真分析,获取其外表面声场特性;然后,以马达外表面声强云图为先验信息,设计应用于马达声场的压缩感知框架,获取高精度重构马达声强云图;最后,通过马达传统声强测量与压缩感知声强测量的对比实验验证压缩感知理论对于提高马达噪声源辨识精度的可行性。结果表明,基于压缩感知的声强测量方法将马达噪声源辨识尺度从原来的70 mm提升至30 mm,提高了马达噪声源的辨识精度,实现了马达噪声源的高精度定位。

压缩感知字典迁移重构的小样本轴承故障诊断

针对实际应用中智能轴承故障诊断面临标签样本严重不足的问题,提出一种结合压缩感知、字典学习和迁移的数据增强算法,用于小样本故障诊断研究。首先,利用源域标签数据通过小波包字典学习和优化方法生成特定源域字典,并得到共享表示系数,获取故障内在信息;之后采用少量目标域信号微调共享表示系数,并更新源域字典生成迁移字典;最后通过共享表示系数和迁移字典生成大量具有目标域特征的新样本,实现数据增强。采用常用的深度故障诊断网络对该数据增强算法进行了诊断性能验证,结果表明该方法产生的信号具有故障的有效信息,用于模型训练和识别能够取得较好的诊断性能。该方法为小样本故障诊断问题提出了新的思路。

基于压缩感知加速的肩关节运动不敏感质子密度加权成像

目的:探索不同压缩感知(CS)加速因子(AF)结合不同风车采集(MV)填充百分比(AQP)对肩关节质子密度加权成像(PDWI)图像质量的影响。方法:招募志愿者41例[男16人,女25人,平均年龄(36.78±14.37)岁],对所有受检者应用3.0TMR设备进行常规PDWI序列以及不同AF和AQP组合的PDWI序列检查(包括SENSE2&150%、CS-AF2&150%、CS-AF2&200%、CS-AF2&250%、CS-AF3&200%、CS-AF4&200%、CS-AF4&250%),分别定义为A~G组。2名观察者在肩关节PDWI冠状位原始图上划定感兴趣区,测量信号强度和标准差,并计算信噪比(SNR)和对比度噪声比(CNR),并采用5分法对图像进行主观评分;使用组内相关系数(ICC)及Kappa检验评估2名观察者测量数据和主观评分的一致性;对各组间图像的SNR、CNR和主观评分采用单因素ANOVA分析进行比较。结果:2名观察者测量数据和主观评分一致性良好(ICC:0.830~0.928;Kappa:0.853~951)。各组之间的SNR、CNR和主观评分均无统计学差异。结论:在肩关节PDWI中采用AF=CS3和MVAQP200%的扫描方案,在确保图像质量达到诊断需求的同时,将扫描时间缩短24%(从85s降至65s),值得推荐用于临床常规检查。

OTFS系统SBL-Turbo压缩感知信道估计算法

针对正交时频空调制(OTFS)系统由多普勒频移引起的信道估计准确度下降的问题,本文提出了一种联合无线信道在时延-多普勒域稀疏特性的SBL-Turbo压缩感知信道估计算法。首先,对时延-多普勒域稀疏信道建模,使其服从以噪声功率为条件的高斯先验分布,利用稀疏贝叶斯学习模块估计得到稀疏信道的均值与方差,并结合期望最大化算法更新高斯先验模型中的参数。其次,引入了LMMSE(线性最小均方误差)估计器模块,该模块对稀疏信道的后验分布进行再估计,提高估计的准确度。通过对每个模块估计得到的信道后验分布进行数据处理,使得模块的输入值与输出值解耦,进而减少模块间的错误传播。最后,两个模块采用Turbo结构迭代估计信道的后验分布,得到信道状态信息。实验结果表明,相较于其他估计方法,该算法能够显著提高信道估计的精度,并且改善系统的误码率性能,能够有效地解决OTFS系统中由多普勒频移引起的信道估计问题。

MRI人工智能辅助压缩感知心脏电影序列在心功能评估中的应用价值

目的探讨MRI人工智能辅助压缩感知(ACS)心脏电影(cine)序列在心功能评估中的应用价值。方法本研究连续纳入2022年5月至12月在我院行心脏MRI检查的63例受检者。所有受检者均进行常规cine和ACS-cine两种序列扫描,采用5分法进行图像质量评价。应用Wilcoxon符号秩检验对2种心脏cine序列的扫描时间、图像质量评分及心室功能定量参数进行比较。采用Spearman相关分析和BlandAltman分析评价两种序列测量心室功能定量参数的相关性和一致性。结果常规cine与ACS-cine序列扫描时间差异具有统计学意义(Z=-6.904,P<0.001),后者可将扫描时间大幅缩短约92.82%。常规cine与ACS-cine序列图像质量评分差异无统计学意义(Z=-0.816,P>0.05)。在心功能定量参数评估方面,常规cine与ACS-cine序列之间的LVEF、LVESV、RVEF、RVEDV、RVESV参数差异无统计学意义(P均>0.05),但LVEDV参数存在统计学差异(Z=-2.958,P<0.05)。常规cine与ACS-cine序列之间的心功能定量参数(LVEF、LVEDV、LVESV、RVEF、RVEDV、RVESV)均有良好的相关性(r=0.865~0.963,P均<0.01)。Bland-Altman分析显示,常规cine与ACS-cine序列图像获取的左心室及右心室功能定量参数(LVEF、LVEDV、LVESV、RVEF、RVEDV、RVESV)平均差异均接近于零,且变异范围很小,一致性高。结论相较于常规cine序列,ACS-cine序列能显著缩短成像时间的同时保证图像质量,并可准确分析左心室及右心室功能定量参数,具有较高的临床应用价值。

基于小波变换和压缩感知的工频磁异常信号降噪方法

针对强噪声背景下水下目标微弱工频磁异常信号提取困难的问题,提出一种基于小波变换的压缩感知降噪方法。该方法利用噪声信号不具有稀疏性的特点,将含噪信号在小波域内分解,并在此基础上进行压缩感知的重构与降噪处理,实现微弱工频磁异常信号与噪声最大限度地分离。仿真及试验表明,该方法得到很好的降噪效果,避免了小波阈值滤波中阈值选取对降噪效果的影响,能够最大程度地保留原始信号的固有特征。

基于压缩感知的波形指示反演在薄储层预测中的应用

鄂尔多斯盆地东缘大牛地气田二叠系下石盒子组有效砂体致密、规模小、厚度薄,储层非均质性强且地震波阻抗叠置严重。为实现下石盒子组5~6 m致密薄砂岩储层的有效刻画,文中选取了盒1段气藏主力单砂体作为研究对象。在地震正演分析基础上,形成了叠前道集优化提质+压缩感知拓频+纵波标定+波形指示GR反演的技术组合,该技术组合将压缩感知技术与波形指示反演技术的优势有机结合起来,并在盒1段气藏主力单砂体进行了应用。预测结果表明:地震剖面横、纵向分辨率显著提高,其预测成果更加符合地质沉积规律,与实钻井吻合良好,实现了5~6 m致密薄砂岩的有效刻画。该研究为致密砂岩气藏薄储层预测提供了一种新方法。

双U型门控网络融合非局部先验的图像压缩感知重建方法

针对目前基于非迭代式网络的图像压缩感知重建方法存在着细节处理能力不足以及测量值利用不充分的问题,提出了一种双U型门控网络(dual U-shaped gated network, DUGN)用于图像压缩感知重建。该方法在原有的U型结构网络的基础上进行了改进,提升了U型结构网络在压缩感知任务中的学习能力。在测量值的利用上,结合交叉注意力机制,提出了一种测量值非局部融合模块(measurements non-local fusion, MNLF),用于将测量值中的非局部信息融合到深层网络中,指导网络进行重建,提升模型性能。此外,在基本模块的设计上,提出了窗口门控网络模块(window gated network, WGN),增强了网络的细节处理能力。实验结果表明,与已有的压缩感知重建方法相比,DUGN在Set11数据集上有着更高的PSNR和SSIM,且在图像重建的真实性上有着更好的表现。

基于压缩感知的缺失机械振动信号重构新方法

针对工业机械设备实时监测中不可控因素导致的振动信号数据缺失问题,提出一种基于自适应二次临近项交替方向乘子算法(adaptive quadratic proximity-alternating direction method of multipliers, AQ-ADMM)的压缩感知缺失信号重构方法。AQ-ADMM算法在经典交替方向乘子算法算法迭代过程中添加二次临近项,且能够自适应选取惩罚参数。首先在数据中心建立信号参考数据库用于构造初始字典,然后将K-奇异值分解(K-singular value decomposition, K-SVD)字典学习算法和AQ-ADMM算法结合重构缺失信号。对仿真信号和两种真实轴承信号数据集添加高斯白噪声后作为样本,试验结果表明当信号压缩率在50%~70%时,所提方法性能指标明显优于其它传统方法,在重构信号的同时实现了对含缺失数据机械振动信号的快速精确修复。

基于DWME-KSVD的分布式视频压缩感知编码研究

分布式视频压缩感知编解码(DCVS)是一种全新视频编码方法,其边信息质量直接影响视频重构质量。针对视频重构质量较差的问题,提出运动估计双重自适应加权边信息生成算法(DWME),通过帧插值和运动估计产生的边信息进行自适应加权从而产生一个较为稳定的边信息。利用DWME边信息和K均值奇异值分解(K-SVD)算法训练生成字典,根据训练出的字典进行视频重建。实验数据表明,与双向运动估计字典边信息生成算法(ME-KSVD)、运动估计双重均值字典边信息生成算法(DMME-KSVD)相比,DWME-KSVD算法的峰值信噪比(PSNR)分别提高约0.5dB-1.5dB、0.2dB-0.5dB,具有较好的视频重建效果。

基于迭代p阈值算法压缩感知磁共振成像重构

从优化网络结构出发,在基于迭代软阈值网络的压缩感知磁共振成像深度网络基础上,加入由p阈值函数组成的优化模块,进一步优化软阈值函数,以抑制噪声,减少重建误差,从而提高重建质量。上述算法结合了压缩感知磁共振重建和深度学习的优势,所有参数都是端到端学习得到的,既具有很好的理论可解释性,又具有良好的网络泛化能力。对上述算法与其它算法进行对比,仿真结果表明,所提算法提高了磁共振成像的重建精度,特别对于结构复杂的磁共振图像重建效果更好。

基于滤波器剪枝的多尺度压缩感知图像重构

为了解决低采样率下单尺度采样的压缩感知重构图像纹理细节模糊问题,同时达到使重构网络轻量化的目的,提出了一种基于滤波器剪枝的多尺度压缩感知图像重构网络.采样阶段,通过卷积来模拟图像的线性分解,融合输入图像和不同尺度的分解特征后完成多尺度采样,得到压缩感知测量值.重构阶段,设计了一种基于坐标注意力的多尺度空洞残差模块,将位置信息嵌入通道注意力中,增强网络特征学习的能力.同时通过计算特征图的熵来判断滤波器的重要性,剪除重要性较低的滤波器,达到压缩模型的目的.在DIV2K、Set5、BSDS68和Urban100等数据集上进行训练及测试.实验结果表明,所提算法在峰值信噪比(Peak Signalto-Noise Ratio,PSNR)、结构相似性(Structural Similarity,SSIM)和图像视觉效果上均有提升.其中,采样率为4%,测试集为Set14时,与CSNet+和FSOINet相比,所提算法将重构图像的PSNR分别提高了4.17 dB和2.39 dB,纹理细节更加清晰.在重构效果略微降低的前提下,得到更轻量化的模型,提升了重构速度.

联合图像层级特征的压缩感知迭代重构

基于卷积神经网络(Convolutional Neural Networks,CNN)的图像压缩感知重构算法难以捕捉高分辨率图像的长距离依赖关系,采用Transformer虽能解决该问题,但网络参数量和图像重构时间成倍增长。基于此,本文提出了一种联合图像层级特征的压缩感知迭代重构网络(Combining Image Hierarchical-Feature Network,CHFNet),在提高图像重构质量的同时减少重构时间。CHFNet由采样和重构两个子网络组成,采样子网络通过可学习的采样矩阵为重构过程提供更有效的测量值。在重构子网络中,设计了一种使用梯度下降操作和特征优化操作的迭代策略,同时提出一种轻量级CNN-Transformer混合架构,能够建模并优化高细粒度的图像层级特征,在增强网络感知能力的同时降低计算复杂度。此外,CHFNet通过联合优化学习采样重构,实现了完整的端到端训练。实验结果表明,所提算法在多个公共基准数据集上取得了良好的重构效果。在Urban100数据集上,相较于现有最优算法CSformer,平均PSNR,SSIM分别提升0.63 dB和0.0076;在0.10采样率下,相较CSformer在Set11,BSD68和Urban100数据集上的平均重构时间分别减少了2.7447 s,3.5510 s和4.7750 s。

基于压缩感知的智能反射面信道估计

针对智能反射面(intelligent reflecting surface,IRS)辅助的通信系统中稀疏度未知信道的估计问题,提出了一种基于压缩感知的稀疏自适应信道估计算法。首先,研究了正交匹配追踪(orthogonal matching pursuit,OMP)算法下信道的残差l2范数与输入的信道稀疏度之间的关系,得出了OMP算法恢复稀疏度未知信道的迭代终止条件;然后,提出了一种二阶段稀疏自适应信道估计算法,在第一阶段估计信道稀疏度,在第二阶段增加或删减支撑集原子,最终使得恢复的信道向量误差最小。仿真结果表明,与经典的最小二乘法、已知稀疏度的OMP算法、稀疏自适应匹配追踪(sparsity adaptive matching pursuit,SAMP)算法相比,提出的算法性能良好,鲁棒性强。

基于同态加的压缩感知加密域信息隐藏算法

信息隐藏可为云和物联网环境中的海量数据提供必要的安全保护,传统的加密技术虽然有效保护了图像的隐私,但是无法同时提供版权、完整性等方面的保护,因此,在加密域进行信息隐藏面临着较大的需求和挑战。提出了一种在压缩感知同态加密域进行信息隐藏的算法。首先,对压缩感知的同态性进行探索,发现对压缩感知获得的测量值进行加倍,与直接扩展原始信号后再进行压缩感知具有相同的效果。然后,利用同态加运算实现基于差分扩展的压缩感知加密域的信息隐藏。实验仿真结果表明,该算法具有较好的隐私保护性能和信息隐藏性能,并且与最新的加密域信息隐藏算法相比,具有更高的嵌入容量。

用于视频压缩感知的特征域优化启发及多假设交叉注意力重构神经网络

现有视频压缩感知重建网络通常利用光流网络实现像素域运动估计与运动补偿。然而在重建过程中,光流网络的输入为质量较差的初始估计帧,导致获得的光流不准确,基于光流的像素域对齐与融合操作会造成噪声的累积,导致视频重建帧存在明显的人工效应,影响重建质量。基于特征域多通道信息对干扰噪声具有较强的鲁棒性,文中将特征域优化思想应用于视频压缩感知重构神经网络的设计中,提出了特征域优化启发及光流引导的多假设交叉注意力重构神经网络(FOFMCNet)。为避免光流中的噪声在图像变形时破坏图像结构的问题,文中在特征域设计了光流指导的多假设运动估计模块与基于交叉注意力的运动补偿模块,以实现特征域的帧间运动估计与运动补偿,从而更为充分地利用帧间相关性辅助非关键帧重构。为了在特征优化过程中加强有效信息的复用,提升网络学习能力并缓解梯度爆炸问题,文中设计了特征域优化启发U型网络(FOUNet),并作为FOFMCNet的子网络,通过多个FOUNet的级联,FOFMCNet在特征域实现非关键帧的优化与重建。实验结果表明,文中所提算法在经典低分辨率数据集(UCF-101和QCIF)和新的高分辨率数据集(REDS4)上的重构结果均优于现有的视频压缩感知算法。