本研究提出一种新的 Riemannian 几何方法来通过学习字典中的 SPD 原子的稀疏锥组合，将数据表示为 SPD 矩阵。通过比较与其他非 Riemannian 公式的稀疏编码的分类和检索性能，我们的实验表明了这种方法的卓越性能。

Jul, 2015

该论文提出使用 Riemann 流形进行稀疏编码和字典学习以帮助计算机视觉问题，通过嵌入再生核赫尔伯特空间来解决稀疏编码问题，并进一步提出一种学习 Riemann 字典的算法，实验结果表明其比现有的算法更为准确。

Apr, 2013

本文提出了一种新的方法用于词典学习即稀疏编码的问题，其中，算法能够在噪声张量分解方面解决任意泊松（Poisson）噪声情况，并且本算法同样适用于具有更高的稀疏度，并且基于一个使用和分析半正定规划的 Sum of Squares 层次结构的新方法。

Jul, 2014

本研究利用来自训练图像的字典作为先验进行断层扫描重建，并使用张量表示和稀疏约束来解决字典学习和重建问题。结果表明，我们的张量表示方法可以得到非常稀疏的表示，同时能够紧凑地表示重复的特征。

Jun, 2015

本文介绍了一种用于对称正定（SPD）矩阵的稀疏编码和字典学习方法，该方法不仅可用于机器学习，还可用于计算机视觉等领域。我们通过使用两种不同的 Bregman 矩阵差异将 SPD 矩阵嵌入到 Hilbert 空间中，提出一种稀疏编码方法和在线迭代的字典学习方法。通过将该方法应用于图像区域的协方差矩阵，本文在包括人脸识别、动作识别、材料分类和纹理分类等各种分类任务上，实现了比现有算法更好的效果。

Aug, 2014

本文提出了一种基于压缩感知技术和字典学习的三维重建方法，可以恢复无序视频序列中动态物体的时变结构，并且在多个视频流中具有结构依赖性和运动平滑性，实验结果表明了该方法的有效性。

May, 2016

本文研究了在多任务和迁移学习中使用稀疏编码和字典学习，通过对高维或无限维空间中的字典的原子的稀疏线性组合进行假设，以及多任务和迁移学习设置中大量可用的数据，我们提供了该方法的泛化误差上限，并在一个合成和两个真实数据集上进行了数值实验。实验表明相对于单任务学习和以正交和密集表示任务的先前方法以及相关方法来说我们的方法具有优势。

Sep, 2012

本文提出了一种新的面向多维数据的字典学习算法 KTSVD，通过张量分解的代数方法直接学习多维字典，并且应用稀疏编码的思想进行视频填充和多光谱图像去噪处理。

Dec, 2015

本文提出了一种在非欧几里得空间上的稀疏字典学习算法，该算法通过将 Grassmann 流形嵌入到对称矩阵空间中来实现。在几种分类任务中，该算法较之目前最先进的方法如核仿射集算法和图嵌入 Grassmann 判别分析具有更好的识别精度。

Oct, 2013

通过使用张量分解的结构约束，可以使基于内容的图像检索具有与 Fisher 向量编码图像签名相当的检索结果。

Mar, 2017