在当今信息时代,作为信息获取的重要一环,模拟信号到数字信号的采样受制于奈奎斯特采样定理,而这意味着较高的信息获取和存储传输成本。压缩感知理论的突破意味着更低的采样速率也能通过一定手段得到原本高速率采样才能达到的效果。传统的压缩感知方法通过求解优化问题来达到预想的效果,但求解的过程往往耗时较长,难以应用于对实时性有要求的场景。数据驱动的深度学习方法所耗费的时间主要体现在训练过程,在使用时有很好的实时性,但深度网络往往参数多且冗余,在一些存储空间较小的场景难以应用,所以对网络的压缩是必要的,量化方法因能够以很小的性能损失,实现模型体积的大幅下降而受到广泛关注,本文将量化方法应用于压缩感知深度网络以减小网络的存储要求。此外,在视频压缩感知领域,不同的方法往往都需要获取每一帧的部分信息,在高帧率场景下成本不可避免地要增加,针对这一问题本文将光流插帧应用到压缩感知中以减小所需成本。本文主要工作如下:首先,针对深度网络参数多且冗余不利于边缘场景的问题,将主要应用于高层级任务如分类任务的量化方法应用于压缩感知深度网络上。本文使用的量化为二值化,二值化可以看做一种最为极端的量化方式,即将网络中的浮点数量化为两个数值,一般浮点数网络中每个参数所需比特数为32,而二值参数所需比特数为1,所需要的存储空间大大减小。本文对网络的二值化主要分为两部分,一是将观测网络二值化为0或1,二是将重构网络残差块二值化为1或-1。在对观测网络进行二值化的过程中针对网络难以训练,二值化后效果较差的问题,提出了一种新的网络结构,并证明了该结构在理论上等价于原网络结构,实验表明新网络更容易训练,重构效果也更接近浮点数网络的效果。针对重构网络残差块进行二值化结果并不理想的情况,引入了缩放系数,在增长极小参数量的情况下大大提高了重构效果。其次,在视频压缩感知领域,不论是在时间维度压缩还是在空间维度压缩的方法都需要每帧中的部分信息,在高帧率场景所需成本较高,针对这一问题本文将光流插帧与压缩感知相结合,等间隔地观测部分帧,通过光流插帧的方式得到未观测帧,降低所需成本,由于只观测部分帧所以对每帧的观测率可以提高,这为后续插帧提供了良好的基础。光流插帧分为光流预测和中间帧合成两部分,在光流预测阶段借鉴了传统光流中的图像金字塔,并以此为基础使用了更为鲁棒的多层级特征进行逐层级的光流预测,使得预测结果更加准确。在中间帧合成阶段基于线性运动假设通过线性组合的方式合成中间帧特征进而得到中间帧,在高帧率的场景下假设往往是成立的,相比于其他方法,本方法在同等观测率下取得了更好的效果。综上,本文针对网络参数多且冗余的问题对压缩感知深度网络进行了量化,后又针对高帧率场景下视频压缩感知的高成本问题创造性地将光流插帧和压缩感知相结合取得了一定的进步。