本文介绍了关于稀疏模型及其应用的多学科研究，主要涉及模型选择、稀疏编码、图像识别和图像处理等领域。本文针对数据的学习和适应性字典，提供了一种自包含的稀疏建模方法，已在各种领域中获得成功应用。

Nov, 2014

在这篇论文中，我们提出了一种自动编码器架构（WLSC），其潜在表示通过二分图的拉普拉斯二次形式实现了隐式的、本地的谱聚类，生成了一组多样的人工感受野，与 V1 的灵长类动物数据具有相近的一致性，而且也展示了我们的正则化可以被解释为感受野对特定刺激类别的早期专门化，即我们为之后的皮质阶段引入了弱的聚类偏差，这是已知的功能性和空间分离（即拓扑）发生的地方。这些结果表明，在对 V1 及其之后的特征分离进行描述时，对感受野和放电率进行空间正则化至关重要。

Nov, 2023

该论文提出了一种基于自编码器的结构稀疏方法，可以更好地匹配灵长类数据，使用加权 L1 约束的自编码器目标函数保留了稀疏编码框架的核心思想。

Feb, 2023

本篇论文采用概率模型，证明了采用稀疏编码时在字典生成的参考信号附近可以找到局部极小值，同时考虑过完备字典、噪声信号和可能出现的异常值，这一分析是非渐近的，可以帮助理解信号维度、原子数量、稀疏度和观察次数等关键问题如相干性或噪声级别的比例关系。

Jul, 2014

本文介绍了一种简单的算法来进行双稀疏编码，并证明了其在样本复杂度和运行时间上具有优势，同时支持了多项数据模拟实验来验证该算法的实用性。

Nov, 2017

本文提出了一种新的基于统计模型的图像描述方法，其中利用线性滤波器组的局部响应共同服从零均值的高斯分布，协方差在空间位置上变化缓慢。文章通过优化一组滤波器，以最小化其本地激活矩阵（即奇异值之和），从而鼓励一种灵活的稀疏形式，同时也使其不依赖于任何特定的词典或坐标系统，实现了图像近乎完美的重构，具有很好的噪声去除、压缩和纹理表示能力。

Dec, 2014

本文提出了一套通用的框架用于理解交替最小化原理并分析已有的稀疏编码算法，同时设计了具备可证明保障的新算法并在简单的神经结构上实现；给出了首个高效的稀疏编码算法，可以接近或超过用于不相关字典稀疏恢复的信息理论极限，同时改善了现有方法的样本复杂度。

Mar, 2015

通过对称矩阵因式分解的正则化误差，我们提出了一种新的代价函数，使得在线算法可以学习到 Gabor 滤波器感受野，同时使用仅限生物合理的局部学习规则，从而解决了 Olshausen 和 Field 所提出的算法中存在的生物学上不现实的非局部性学习规则的问题。

Mar, 2015

字典学习方法在解决复杂的反问题方面不断受到关注。本文提出了一种工作流程来简化字典匹配过程，通过压缩字典和利用贝叶斯框架处理建模误差，以及使用组稀疏编码方法来识别不相关的子字典，然后通过稀疏编码解决匹配问题。证明了字典压缩误差的补偿和使用组稀疏编码方法对原始字典进行缩小的有效性，通过应用到 LIGO 实验和高光谱遥感中的故障检测问题来进行说明。

Sep, 2023

本文介绍了一种名为 EZDL 的字典学习算法，利用一种新的最优化技术来学习适用于稀疏编码的字典，并在图像处理中获得了成功应用，同时该算法所学的字典能够以整体效果优异的方式表达图像。

Apr, 2016