在应用传统神经网络进行图像识别的过程中，首先进行的二值化处理往往会造成图像中丰富多样的颜色信息的丢失。必须认识到，在图像中，黑色、黄色、红色、蓝色、白色等不同颜色各自承载着特定的意义。此外，二值化处理后的图像常常伴随着信息的大量重叠。如果图像本身含有“噪声”，那么在使用传统神经网络进行识别时，错误率将显著上升。
为了解决这些挑战，微云全息(NASDAQ:HOLO)提出了一种图像压缩感知重构神经网络算法，并开发了一种创新的CS神经网络算法。该算法旨在从性能和效率两个核心方面，对CS重构算法进行根本性的提升。当原始图像包含许多在分类过程中不必要的特征信息时，传统的卷积神经网络（CNN）会遭遇计算量庞大、运行时间过长的问题。然而，微云全息的图像压缩感知重构神经网络能够巧妙地将原始图像转换至压缩感知领域。在这个领域内，它能够保留图像的关键特征，从而大幅减少计算量和运行时间，并显著增强图像识别的鲁棒性，最终实现快速且精确的图像重建。
微云全息技术通过巧妙地组合底层特征，构建出更为抽象的高层属性类别或特征，从而实现对数据分布式特征表示的精确识别。卷积神经网络（CNN），作为首个真正意义上的多层结构学习算法，充分利用空间相对关系以减少参数数量，显著提升训练性能。CNN 是为识别二维形状而精心设计的多层感知器，其独特的网络架构对平移、比例缩放、倾斜及其他形式的变形展现出高度的不变性。基于此，微云全息在 HOLO 图像压缩感知重构神经网络中，创新性地提出了一种由枝蔓拓展卷积网络（简称 ZMTCN）构成的图像 CS 模型。此外，微云全息还设计了树结构残差块（TSRB），以专门学习不同尺度图像的特征。
ZMTCN 利用多个 TSRB 模块，充分发挥其功能以学习多尺度特征。随后，通过一个精心设计的特征融合层，将各个 TSRB 模块的输出进行有效整合，确保能够重建出高质量的图像。为了能够从 CS 测量中迅速恢复图像，微云全息创造性地将扩张卷积引入 TSRB 模块，并在其中构建起扩张卷积的树状结构。这种设计使得 TSRB 能够轻松获取图像的多尺度特征，同时确保提取的浅层信息在深层网络中得以保留。
与基于块的压缩感知（BCS）相似，ZMTCN 运用 CNN 出色地完成三项关键操作：压缩采样、初步重建和深度重建。ZMTCN 包括一个采样网络和一个重建网络。采样网络通过学习采样矩阵来获取 CS 测量；重建网络则负责从 CS 测量中成功重建图像。通常，重建网络由初步重建网络和深度重建网络组成。初步重建网络是一种线性操作，能在初始阶段从 CS 测量中重建图像；深度重建网络则是一种非线性操作，能够进一步提升初步重建图像的质量。
在本次研究中，微云全息（NASDAQ:HOLO）提出了针对图像压缩传感的枝蔓拓展卷积网络。该网络算法巧妙地运用了树状结构的残差块，全面且细致地恢复了深度重建网络中的图像特征细节。展望未来，微云全息计划积极探讨将ZMTCN应用于高光谱遥感图像的压缩传感中，并致力于研究利用光谱间相关性以获得更高重建质量的算法，持续为图像重构技术的发展作出贡献。
