利用字典学习进行天文图像去噪
本文提出了一种新的稀疏表示模型,该模型采用共享字典和多个类别判定函数来描述不同类别的信号,并提出了学习该模型所有组件的优化方法,进一步提高了手写数字和纹理分类任务的准确性。
Sep, 2008
本文介绍了一种新的基于裁剪小波分解的算法,可以用于更大尺寸的图像处理和信号处理,并结合在线稀疏字典学习算法进行自适应字典训练,得到大的可适应原子 - trainlets。
Jan, 2016
提出了抗击对抗性扰动的较为简单而有效的技术 —— 去噪字典学习 (Denoising Dictionary Learning, DDL)。在 MNIST 和 CIFAR10 数据集上,利用不同的深度神经网络结构对其进行评估,并对经过 DDl 重构后的去噪数据点的准确性进行记录并进行测量,证明了 DDL 技术的有效性。
Jan, 2018
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
本文采用概率模型研究了稀疏编码的本地最小值问题,在考虑超完备字典和有噪信号的情况下,证明了稀疏编码接近参考字典生成的信号的局部最小值,同时分析了噪声、信号维度、原子数量、稀疏度和观察数量等关键量如何随之缩放。
Oct, 2012
本文针对加性白噪声对图像造成的污染问题,提出并比较了 7 种字典学习方法,并采用全局聚类方法进行图像构建块的聚类去噪,得到了在降噪效果和执行时间两方面皆优的结果。
Jan, 2015
本文介绍卷积稀疏表示作为一种稀疏表示的形式,其字典结构相当于一组线性滤波器的卷积。虽然最近已经开发出有效的算法来解决卷积稀疏编码问题,但相应的字典学习问题更加具有挑战性。此外,虽然已经提出了许多不同的方法,但缺乏彼此之间的彻底比较,使得很难确定哪个方法代表了当前的技术水平。本文既解决了这个缺陷,同时还提出了一些在某些环境下胜过现有方法的新方法。一组彻底的性能比较表明,现有和提出的方法之间存在着非常大的性能差异,并明确确定了最有效的方法。
Sep, 2017