本篇论文介绍了通过使用置信传播算法作为压缩感知的一种近似贝叶斯推断方法,使得压缩感知的编码矩阵可以表示为图形模型,并且通过使用稀疏编码矩阵来降低图形模型的大小来实现快速计算。该算法的复杂度为 O (Klog (N)) 和 O (Nlog^2 (N)), 而且在信号为混合高斯模型时表现出色。
Dec, 2008
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
本文介绍了一种基于概率重构方法、信令传递算法、及结晶成核理论的、能够精确重构低采样率稀疏信号的压缩感知算法,并使用统计物理方法进行了分析和实验验证。
Sep, 2011
本研究考虑利用已知部分的支持的信息来重构稀疏信号,提出了一种基于凸松弛的算法来获得除部分支持已知的信号外最稀疏的信号,以及基于先前信号估计知识的重构方法,并进行了模拟比较。
Mar, 2009
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
提出一种新的稀疏信号重构方法 —— 子空间追踪算法,该算法具有较低的计算复杂度,能够在稀疏信号情况下实现精确的重构,同时能够在噪声环境下实现较低的重构误差。
Mar, 2008
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
本文使用经验过程的工具,在低维流形信号族下研究了随机测量算子的嵌入问题及在噪声压缩测量下流形信号恢复和参数估计的确定性和概率最优解。结果表明,使用流形模型在压缩信号处理中可以高精度地进行信号恢复和参数估计。
Jun, 2013