本文提出一种基于联合稀疏性约束的多模态任务驱动字典学习算法，以协作多个同质 / 异质信息源，可以学习出多模态词典以及相应的分类器，并在多种应用中具有较高的分类性能和更高的计算效率。

Feb, 2015

该论文提出了一种基于耦合字典学习的多模态图像处理框架，能够在所学的稀疏变换域中捕捉不同图像模态之间的相似性和差异性，并能够用于改善图像处理任务，如图像去噪。

Jun, 2018

该研究聚焦于开发一种用于解决欠定线性反问题的空间变异正则化模型。研究案例为从少视角层析噪声数据中重建医学图像。通过应用适当的像素相关权重，该优化模型的主要目标是在去噪和保留细节和边缘之间取得良好平衡，克服了广泛使用的总变差（TV）正则化方法的性能。提出的策略利用梯度逼近来计算空间变异 TV 权重。为此，设计了一个卷积神经网络，使用其训练中的弹性损失函数来逼近真值图像及其梯度。此外，本文对所提出的模型进行了理论分析，展示了其解的唯一性，并展示了针对特定问题的 Chambolle-Pock 算法。这一综合框架将创新的正则化技术与先进的神经网络能力相结合，展示出在从低采样层析数据中实现高质量重建方面的有 promising 结果。

Apr, 2024

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

该论文提出了一种利用少量已注册的多模态图像对进行弱监督联合稀疏编码，从低分辨率单模态图像中生成高分辨率多模态图像的方法，并通过最大均值偏差项结合未配对数据来提高联合字典的学习质量，本文实验证明，该方法在超分辨率重建和同时进行超分辨率和跨模态综合方面优于现有技术。

May, 2017

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

本文提出了一种基于卷积神经网络的方法，借助高水平结构对应信息（即解剖标记）推测像素变化，从而实现多模态图像对齐。结果表明，该方法具有广泛的适用性，可在训练过程中利用各种不同类型的解剖标记，并能实现实时自动化、无需标记或初始化的三维图像对齐。

Jul, 2018

利用多模态成像、深度学习和对比学习方法，从多模态 MRI 数据中学习鲁棒的潜在特征表示，将异构特征投影到共享空间，整合不同模态和类似主体间的互补和类似信息，进而提高了异常神经发育的预测能力和计算机辅助诊断的功效。

Dec, 2023

本文研究了针对卷积字典学习的在线学习方法，解决了传统批量算法在处理大规模训练数据时所需的较高内存要求的问题。

Jun, 2017

本文提出了一种适用于多模态数据的深度学习一类分类方法，通过联合训练两个卷积自编码器，使其在重构正样本输入数据的同时，在潜在空间中获得尽可能紧凑的数据表示。在推理过程中，可以使用输入的潜在表示与原点的距离作为异常分数。实验结果表明，与单模态方法相比，所提出的多模态方法在多模态昆虫图像分类数据集上获得了更好的结果。此外，本文还研究了不同输入图像尺寸的影响，并探讨了最近提出的特征多样性正则化对我们方法性能的影响。结果表明，这样的正则化手段能够提高性能。

Sep, 2023