本论文提出了一种使用神经网络和误差反向传播算法学习最优阈值函数的数据驱动迭代收缩阈值算法(ISTA),并在稀疏统计信号上进行模拟实验,证明了这种算法在估计质量上的潜在提升。
Dec, 2015
本文提出一种基于梯度外推的残差结构具有理论保证和解释能力的 LISTA 算法 (ELISTA),可用于解决稀疏编码问题,具有线性收敛性,并在实验中实现了验证。
Jun, 2021
该研究使用展开的 ISTA 算法研究了稀疏信号恢复,并通过引入权重结构和支持选择实现了渐近收敛性和加速收敛。实验表明,该方法在稀疏向量恢复和压缩感知方面具有很好的理论和实践应用价值。
Aug, 2018
本文研究了 ISTA 算法中的选适应性步长的方法,提出了学习 ISTA 步长的网络结构,实验证明该方法与现有最先进的网络相比是具有竞争力的。
May, 2019
本文提出了一种基于近端梯度方法(G-ISTA)的 L1 正则化协方差矩阵估计方法,它具有线性收敛率和 O (log e) 迭代复杂度,能够有效地用于产生稀疏逆协方差估计量,并探讨了其特性及在数值测试中的表现。
Nov, 2012
本文提出了一种基于 SISTA 的可解释循环神经网络来解决序列稀疏恢复问题,这种结构的权值可以视为一个有原则的统计模型的参数。与传统的基于 “黑匣子” 模型的 RNN 相比,SISTA-RNN 在特定的连续压缩感知任务中训练速度更快,且表现更好。
Nov, 2016
本研究致力于发展一种快速而准确的压缩感知(CS)自然图像重建算法,通过结合传统基于优化和最近基于网络的 CS 方法的优点,提出了一种新颖的结构化深度网络 ISTA-Net,并通过端到端学习来训练其所有参数,我们的实验表明,IST-Net 在保持快速计算速度的同时,可以优于现有基于优化和基于网络的 CS 方法。
Jun, 2017
该论文提出了一个结合了模型解释性和通用性的基于深度学习的图像优化网络 FISTA-Net,该网络能够优化不同成像任务的参数,如电磁层析成像和 X 射线计算机断层扫描,并表现出好的泛化能力。
Aug, 2020
本文介绍了一种基于凸优化中 Nesterov 技术的高精密快速算法,用于解决信号处理中的常见恢复问题,包括大规模压缩感知重建、全变差最小化等,并通过实验验证了其优越性。
Apr, 2009
本论文针对 LASSO 问题,通过局部线性收敛界限、谱分析等方法,研究了 ISTA 和 FISTA 方法在迭代中的效率,并展示了在接近解时,ISTA 方法速度更快的现象,为更好地解决问题提供了策略指导。
Jan, 2015