学习滤波器稀疏变换
本论文研究了基于稀疏性的数据模型在信号处理和成像应用中的应用。特别关注了稀疏变换学习,提出了基于多层分层扩展的学习算法,并在图像去噪的数值实验中证明了其有效性。多层模型比单层方案具有更好的去噪质量。
Oct, 2018
本文研究了稀疏性转换模型的学习,并提出了交替算法以实现稳健的方阵。研究结果表明,与合成 K-SVD 相比,转换学习在图像降噪中具有良好的性能和显着的加速度。
Jan, 2015
本文研究基于稀疏性的模型和技术在信号处理和图像应用中的应用,提出了针对特定结构的稀疏化运算符学习问题的交替最小化算法,并对其收敛性进行了分析,证明了在某些假设下,该算法收敛于数据的基础稀疏化模型。同时,数值模拟表明该算法对初始值具有较强的鲁棒性。
May, 2018
本文提出了一种新的基于统计模型的图像描述方法,其中利用线性滤波器组的局部响应共同服从零均值的高斯分布,协方差在空间位置上变化缓慢。文章通过优化一组滤波器,以最小化其本地激活矩阵(即奇异值之和),从而鼓励一种灵活的稀疏形式,同时也使其不依赖于任何特定的词典或坐标系统,实现了图像近乎完美的重构,具有很好的噪声去除、压缩和纹理表示能力。
Dec, 2014
本研究提出了一种同时重建基础图像和未知模型的盲压缩感知框架,用于利用稀疏变换或字典中图像 / 图像补丁的稀疏性从高度欠采样的测量中精确恢复图像。我们将这个模型扩展到了一个转换融合模型,以更好地捕捉自然图像中的特征。与其他最近的图像重建方法相比,我们的数值实验表明,提出的框架通常会导致 MRI 图像重建的质量更好。
Nov, 2015
研究发现,在采用批归一化和 ReLU 激活以及使用自适应梯度下降技术和 L2 正则化或权值衰减训练的卷积神经网络中,存在着隐式过滤器级别稀疏性,这可能与某些在文献中提出的过滤器稀疏化启发式的特定联系有关。进一步观察表明,特定功能的出现和随后的修剪是导致特征稀疏化的机制之一,导致的特征稀疏性与某些显式稀疏化 / 修剪方法相当甚至更好。本文总结了研究发现,并指出了选择性功能处罚的推论,这也可作为过滤器修剪的启发式方法。
May, 2019
本文介绍一种基于单个信号变换的频域学习模型,通过方差保持初始化方法和频率选择技术,可以简化模型设计,从而在各种动态系统的学习中获得更高的测试性能和更少的计算成本。
Nov, 2022
该文提出了一种利用神经场和傅里叶特征编码对信号进行空间和频率分解的方法,并通过多层感知机逐层累积高频部分,以形成最终输出的有效高精度重建方法,试验表明该方法在二维图像拟合、三维形状重建和神经辐射场等多个任务上效果优于现有方法,且模型更加紧凑高效。
Dec, 2022