Compression 压缩感知给数据压缩带来了什么新东西吗？

对于捕获数据非常昂贵（无论是在能量上还是在时间上）的情况，它都是非常好的选择。它的工作原理是采集较少的样本，并使用线性或凸规划来重构远离传感器的原始参考信号

---

然而，在像图像压缩这样的情况下，考虑到数据已经在计算机上，压缩感知能提供什么吗？例如，它会提供更好的数据压缩吗？它会导致更好的图像搜索吗？..

由于压缩传感的全部目的是避免进行测量，正如您所说，测量成本可能会很高，因此压缩比会比允许压缩实现进行它想要的所有测量更差，这一点也不奇怪，然后，选择能产生最佳结果的

因此，我非常怀疑对已经存在的数据（实际上，已经有了所有的测量）使用压缩感知的实现是否会产生比最佳结果更好的压缩比

话虽如此，压缩感知还需要选择测量的一个子集，该子集将在解压缩时再现与原始结果相似的结果，但可能缺少一些细节，这仅仅是因为您选择了该子集。因此，也可能是您确实可以产生比最佳结果更好的压缩比，而代价是更大的细节损失。我不知道这是否比jpeg压缩算法更好，比如说，在jpeg压缩算法中，只需扔掉更多的系数

此外，如果（比如）利用压缩感知的图像压缩实现可以减少从原始位图数据压缩图像所需的时间，那么在使用的时间是一个昂贵的因素，但细节级别不是这样的情况下，这可能会给它一些牵引力。比如说

本质上，如果您必须以速度换取结果的质量，那么压缩感知实现可能值得研究。我还没有看到它的广泛使用，所以有些东西告诉我它不值得，但我可能错了

---

我不知道你为什么要使用图像搜索，我不知道压缩算法对图像搜索有什么帮助，除非你使用压缩数据来搜索图像。这可能不符合您的要求，与图像搜索相关，因为您经常搜索包含某些视觉模式但并非100%相同的图像。

关于您的问题 “…考虑到数据已经在计算机上--压缩感知提供了什么吗？例如，它能提供更好的数据压缩吗？它能带来更好的图像搜索吗？”

一般来说，您的问题的答案是否定的，它不会提供更好的数据压缩，至少在最初是这样！对于像jpeg这样的非线性方案比压缩感知效果好4到5个常数的图像来说就是这种情况，并且来自不同论文中不同理论结果中发现的klog（N/K）常数

我一开始是这样说的，因为现在压缩感知主要集中在稀疏性的概念上，但是现在有一项新的工作正在进行中，它试图使用额外的信息，例如小波分解成束的事实，这可以改进压缩。这项工作和其他工作可能会提供额外的改进，可能会接近jpeg等非线性变换

你必须记住的另一件事是，jpeg是整个行业集中精力和多年研究的结果。因此，很难做得更好，但压缩感知确实提供了一些压缩其他数据集的方法，而无需多年的经验和人力

最后，在压缩感知中发现的压缩是非常令人敬畏的。它是通用的，这意味着现在你可以“解码”图像到一定的细节水平，然后在十年内，使用相同的数据，你可能实际上“解码”一个更好的图像/数据集（这是警告，信息在第一位），因为你的解算器会更好。使用jpeg或jpeg2000无法做到这一点，因为压缩的数据本质上与解码方案相连

---

（披露：我写了一篇关于压缩感知的小博客）

压缩感知的好处之一是，感知到的信号不仅是压缩的，而且也是加密的。从其感测信号重构参考信号的唯一方法是在应用于基准时对参考信号估计值执行优化（线性或凸规划）

它提供更好的数据压缩吗？这将取决于应用程序。首先，它只适用于稀疏参考信号，这意味着它可能只适用于图像、音频、射频信号压缩，而不适用于一般数据压缩。在某些情况下，使用压缩感知可能比其他方法获得更好的压缩比，而在其他情况下，情况并非如此。它取决于所感测信号的性质

---

它会导致更好的图像搜索吗？我毫不犹豫地回答“不”。由于感测信号是压缩和加密的，因此实际上没有“密钥”（基函数）就无法从感测信号重构参考信号。在基函数可用的情况下，仍然需要重建参考信号以执行任何类型的图像处理/对象识别/表征等。

这可能不是您问题的确切答案，但我只想强调CS的其他重要应用领域。压缩发送是无线Mu的一大优势