Jun, 2007

利用线性预测进行欠完备盲子空间卷积

PDF
TL;DR本文提出了一种对盲子空间去卷积问题（BSSD）的新解决方案，通过线性预测将原始的欠完备 BSSD 任务简化为独立子空间分析（ISA），以揭示隐藏的组件。且通过数值模拟得出，该方法可以在较少的样本数下实现高质量的估计，并且可以处理更深的时间卷积。
blind subspace deconvolutionhidden independent componentsundercomplete caselinear predictiontemporal concatenation
发现论文，激发创造
  • 不变子空间分解

    我们提出了一种基于不变子空间分解（ISD）的线性条件分布的新型不变性框架，将条件分布分解为一个时间不变和一个时间相关的分量，并展示了如何利用该分解进行零样本和时间适应预测任务，通过使用近似联合矩阵对角化的技术自动推断分解，并通过有限样本保证证明了该估计方法的有效性。

    Apr, 2024

  • 在最小假设下的盲反卷积中的可识别性与稳定性

    本文研究了盲反卷积问题在信号和滤波器无任何假设下不唯一的情况。通过引入子空间假设或稀疏假设，可以降低搜索空间并得到唯一解。本文提出了一种与信息论极限相关的模型，建议用于处理一般情况下的盲反卷积问题，并指出了应该达到的样本复杂度。通过分析采用概率分布归一化的基 / 帧的情况下，本文发现解的稳定性得到了保证。

    Jul, 2015

  • 自监督盲源分离多编码器自动编码器

    该研究论文提出了一种利用多编码器自编码器的自然特征子空间专业化能力以及完全无监督学习来处理非线性混合的盲源分离的新方法，通过训练阶段将输入分解为多编码器网络的单独编码空间，然后在解码器内对这些表示进行重新混合以重建输入。同时引入了一种新颖的编码掩码技术，通过掩盖除一个编码之外的所有编码，使解码器能够估计源信号，并引入了所谓的通路分离损失和零重建损失以鼓励解码器各层之间的编码空间稀疏性，以及一致的源估计。为了精确评估我们的方法，我们在一个玩具数据集和实际生物信号记录（来自聚合睡眠研究）进行了实验，用于提取呼吸信号。

    Aug, 2023

  • 融合压缩感知与深度信号分离

    这篇研究论文探讨了如何将压缩感知和深度学习相结合，利用压缩自编码器实现压缩盲信号分离，进而直接在压缩信号上完成信号分离，而无需解压缩信号。

    Jun, 2024

  • 从子采样卷积中盲恢复稀疏信号

    本文提出了一种基于稀疏模型和锥约束的迭代算法，以实现盲卷积问题中的性能保证。在这个先验的基础上，该算法在接近最优样本复杂度的情况下实现了盲卷积问题的拟合精度。

    Nov, 2015

  • 盲压缩感知的稀疏变换联合学习模型基于数据驱动

    本研究提出了一种同时重建基础图像和未知模型的盲压缩感知框架，用于利用稀疏变换或字典中图像 / 图像补丁的稀疏性从高度欠采样的测量中精确恢复图像。我们将这个模型扩展到了一个转换融合模型，以更好地捕捉自然图像中的特征。与其他最近的图像重建方法相比，我们的数值实验表明，提出的框架通常会导致 MRI 图像重建的质量更好。

    Nov, 2015

  • 盲飞员去污

    该研究提出并分析了一种子空间投影方法，可以在大规模多天线系统中改善信道估计并降低 pilot 污染问题，其方法基于大型随机矩阵的理论，通过随机矩阵和自由概率理论预测如何划分信道估计问题，提供仿真结果以证明该方法的性能优于传统线性信道估计。

    Sep, 2013

  • 贝叶斯深度学习的子空间推断

    本文提出了一种构建参数空间低维子空间的方法，并在这些子空间中应用椭圆切片采样和变分推断的贝叶斯模型平均方法，以产生准确的预测和良好的预测不确定性。

    Jul, 2019

  • 稀疏盲反卷积中的结构局部极值

    该研究针对短且稀疏的盲退卷积问题，将其作为一个在球面上的非凸优化问题，通过一个简单的初始化方法和逃离严格鞍点的下降算法，在特定条件下能达到接近真实卷积核的效果。

    Jun, 2018

  • 带有异常值的子空间聚类的几何分析

    本研究考虑了一个不带标签数据集的聚类问题，它们被认为靠近低维平面的联合。研究人员发展了一种新的基于几何分析的算法，名为稀疏子空间聚类（SSC），可以广泛应用于无监督学习和计算机视觉等领域，论文展示了它在多个方面的有效性，并开创了有关稀疏恢复问题的新思路，数值研究强调了方法的实用性。

    Dec, 2011