Aunque la teoría de compresión sensorial tiene muchas ventajas en la reconstrucción de imágenes, su tiempo de reconstrucción y muestreo es muy largo. La reconstrucción rápida de imágenes de alta calidad a tasas de medición bajas es la dirección del esfuerzo. La compresión sensorial basada en el aprendizaje profundo proporciona una solución efectiva para esto. En este estudio, proponemos un mecanismo de reconstrucción de compresión basado en atención (ACRM). El módulo de autoatención coordinado (CSAM) está diseñado para ser incrustado en la red principal que consta de bloques convolucionales y utiliza el espacio y los canales globales para centrarse en la información clave e ignorar la información irrelevante. Se propone un filtro gaussiano adaptativo para resolver la pérdida de componentes de múltiples frecuencias causada por el promediado global en el CSAM, complementando efectivamente la red con información de diferentes frecuencias en diferentes tasas de medición. Finalmente, inspirado en la idea básica del mecanismo de atención, se propone una función de pérdida mejorada con mecanismo de atención (AMLoss). Experimentos extensos muestran que el ACRM supera a la mayoría de los algoritmos de reconstrucción de compresión en tasas de medición bajas.