基于置信传播的贝叶斯压缩感知
本文提出了一种基于模型的压缩感知理论,提供了如何创建具有可证明性能保证的基于模型的恢复算法的具体指南,其中包括引入一类新的结构压缩信号以及一个新的充分条件来描述其恢复性能,命名为有限放大性质,这对应于传统压缩感知限制等比性的自然扩展。实验结果表明了这一新理论和算法的有效性和适用性。
Aug, 2008
本文提出了一种基于块的压缩感知深度学习算法,通过完全连接网络进行块状线性感知和非线性重建,优化了感知矩阵和非线性重构算子,且在重构质量和计算时间方面优于现有技术。
Jun, 2016
本文提出了一种新的框架,即容忍近似误差的基于模型的压缩感知(approximation-tolerant model-based compressive sensing),该框架包含了一系列算法,用于稀疏恢复,只需要对模型投影问题进行近似求解,通过图优化技术,将这些算法应用于我们的框架,得到了一种几乎是最优的 CEMD 模型的稀疏恢复方案。
Jun, 2014
本文研究了压缩感知问题,提出了一种基于二阶锥的优化方法,该方法在证明一定正则参数条件下与基础凸优化问题等价的前提下,求解具有优良效果的稀疏向量,该方法相较于当前最优方法具有更高的稀疏性和更低的重构误差
Jun, 2023
本研究提出了基于统计压缩感知(SCS)的压缩感知(CS)新框架,探索了基于高斯模型的 SCS,对单高斯模型下的信号进行了深入探究,并介绍了用于 GMM 型的信号模型选择、解码的分段线性估算器,提出了最大后验期望最大化算法用于 GMM 型 - SCS 的解码过程。结果表明,与传统 CS 相比,GMM 型 - SCS 在图像感知应用中具有更低的计算成本且具有更好的结果。
Jan, 2011
本文提出了一种贝叶斯方法来解决 1 比特压缩感知问题的信号重建,并使用统计力学分析了其性能。其中,利用信念传播算法进行信号重建的数值实验结果与理论分析结果一致。
Jun, 2014
本文提出了一种结合压缩感知(CS)和神经网络生成器的新型框架,通过元学习联合训练生成器和优化过程,大大改善了信号恢复的速度和性能,并针对不同目标训练测量并从 CS 视角提出提高生成对抗网络(GANs)的新方法。
May, 2019