Nov, 2007

通过重新加权的 L1 最小化增强稀疏性

PDF
TL;DR本文研究了一种新的稀疏信号恢复方法，其中加权 L1 最小化，优于传统的 L1 最小化，能够在稀疏信号恢复，图像处理和数据获得协议等领域中取得出色的性能表现。
sparse signal recoveryweighted l1-minimizationcompressed sensingimage processingdata acquisition protocols
发现论文，激发创造
  • 加权 L1 范数最小化的快速准确算法

    本文介绍了两种基于 Homotopy 的算法，通过重加权 L1 问题实现了高效地求解。一种快速更新权重的算法，另一种算法通过自适应地选择权重来实现。这两种算法相比现有算法，具有更少的计算复杂度和更高的重建准确性。

    Aug, 2012

  • L1 - 最小化的密集错误校正

    本文针对从高度破损的线性测量中恢复非负稀疏信号的问题进行研究，提出了基于 ell-1 最小化的措施来解决高度相关（也可能是过度完备）的词典，本方法可以精确恢复信号甚至在近乎 100% 的观测值遭受破坏的情况下也可以计算实现。

    Sep, 2008

  • 迭代重新加权最小二乘法用于稀疏恢复

    本文研究使用迭代加权最小二乘算法（IRLS）促进稀疏和可压缩向量恢复中的 l1 最小化，证明其收敛性和估计局部速率，并且展示了如何修改算法，以便在 t 小于 1 时促进 lt 最小化，并且这种修改有着超线性的收敛速率。

    Jul, 2008

  • 通过迭代加权最小二乘法实现图像恢复的稀疏和低秩先验学习

    提出了一种基于学习的稀疏和低秩约束的图像恢复新优化算法，并将其和现有算法进行了比较和评估。

    Apr, 2023

  • 通过迭代重新加权最小二乘法恢复低秩矩阵

    使用迭代重加权最小二乘算法，同时结合核范数和近似低秩解的最小化，有效地从少量线性测量中恢复矩阵，并通过实验证明在矩阵完成问题中具有竞争力。

    Oct, 2010

  • 通过 $L_1$ 最小化从密集损坏的观测中恢复精确性

    通过对高度破损的测量信号进行稀疏信号恢复，本文证明了一个令人惊讶的现象，并保证了当污染度较高时仍能够稳定恢复稀疏信号。

    Feb, 2011

  • 通过广义熵函数最小化实现的稀疏信号恢复

    本文提出了一种基于广义香农熵函数和熵函数的稀疏项，该函数可以适应性地促进多个高能系数同时抑制其余低能系数，进而在压缩感知信号恢复中获得最先进的性能。

    Mar, 2017

  • 使用自适应学习的稀疏基 L0 最小化重构图像压缩感知恢复

    本文提出了一种使用自适应学习的稀疏化基础通过 L0 最小化方法进行图像压缩感知恢复的新框架，通过稀疏表示重叠的图像块，极大地减少了阻塞伪影和限制了 CS 解决方案空间。实验结果表明，我们的算法在 CS 恢复上取得了显着的性能提升。

    Apr, 2014

  • 快速 L1 最小化算法用于强韧人脸识别

    本研究探究基于凸优化框架的新解法（即增广拉格朗日方法）以提高 L1-minimization 在稀疏表示和面部识别方面的速度和可伸缩性。我们进行了大量实验并将算法代码公开以供同行评估。

    Jul, 2010

  • 关于最优化测量数量的块稀疏信号重构

    研究了压缩感知中稀疏解的求解问题，提出一种基于 L1 - 范数和半定规划的解法，对于块稀疏向量能找到最稀疏的解，该方法具有多项式时间复杂度。

    Mar, 2008