本文提供了一种基于相关性的优化算法,用于基于随机符号的部分高斯循环矩阵和生成模型的鲁棒的 1 位压缩感知的恢复保证,并进行了基于图像数据集的数值实验以确证理论结果。
Aug, 2021
本文论述了在压缩感知中利用信号和测量结构进行体现的主题,并将理论与实践相结合,介绍了新的方向及与传统压缩感知的关系。
Jun, 2011
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
本论文详细介绍了一种新型的压缩感知策略,使用概率方法进行信号重建和最大化信号模型参数,并探讨了不同信号分布的相应相图的渐近分析及最佳重建性能。
Jun, 2012
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
研究了在估计稀疏或可压缩信号时,使用某些随机矩阵构造、添加均匀随机向量或随机噪声来量化信号,可以使信号重建误差降低。并分别在多种情境下进行数值验证。
Jan, 2018
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
该论文研究了对一组 $n$ 个时间域样本的小型随机子集中的谱稀疏信号的恢复问题,声称使用一种名为结构化矩阵完成(EMaC)的新算法,该算法通过核范数最小化的方式,通过把数据排列成低秩增强形式来进行恢复,并展示了其对低秩多重 Hankel 或 Toeplitz 矩阵的恢复能力。
Apr, 2013