一句话定义
压缩感知（Compressed Sensing，也叫压缩采样）说的是：只要信号在某个变换基下是稀疏的——真正携带信息的系数只有少数几个——就能用远少于奈奎斯特采样定理要求的采样次数把它重建出来，而且往往还是精确重建。
为什么反直觉：方程不够，但答案唯一
传统观念里采样就像解方程：未知数有 n 个，你至少得有 n 个独立方程。少采了，解就有无穷多个，没法确定。
压缩感知补了一句前提：如果我事先知道答案里最多只有 k 个非零项，而 k 远小于 n，无穷多解就塌缩成了唯一解。打个比方，一屋子几百号人里要找出戴红帽子的人。挨个点名要问几百次；但如果知道全场只有三个人戴红帽，你问几轮“左边这半区还有人戴红帽吗”就能把他们圈出来。稀疏性就是那个“只有三个人”的先验。
三个要件
1. 稀疏性：信号在某个基（如傅里叶基、小波基）下只有少数大系数，其余接近零。一张自然图像做小波变换后能量集中在少数系数上，这正是 JPEG 那类压缩方法能工作的原因。
2. 非相干测量：采样方式不能和稀疏基“撞车”。实际操作中随机采样往往就够用，因为它和任何固定基都不相干。
3. 稀疏恢复算法：直接找非零项最少的解是组合爆炸的难题；改用 L1 范数最小化（基追踪、Lasso）这种凸松弛，在满足条件时能给出同样的答案。
和相邻概念的区别
| 概念 | 采样量 | 前提 | 代价 |
|---|---|---|---|
| 奈奎斯特采样 | 至少两倍最高频率 | 无 | 数据量大，之后还得压缩 |
| 先采样后压缩（如 JPEG） | 同上 | 无 | 采了再丢，传感器和存储白费 |
| 压缩感知 | 可远低于奈奎斯特 | 稀疏 + 非相干测量 | 重建要解优化问题，计算量大 |
要强调的是：压缩感知不是“随便少采点也能还原”。稀疏性、测量方式、重建算法三样缺一不可，少一个条件就会失败。
对从业者的意义
最出名的落地是医学影像，尤其是磁共振成像（MRI）：少采一些点就能缩短扫描时间，对病人体验和设备周转都有实际价值。类似思路也用在单像素相机、无线传感网络、雷达等场景。
对做 AI 的人来说，它是稀疏性最漂亮的一份“数学证书”——L1 正则化、特征选择、稀疏编码这些天天打照面的东西，背后是同一套直觉：约束解的稀疏结构，就能用更少的信息换到同样确定的答案。具体到某个软件库或设备的实际能力，以官方文档为准。