ICMLJul, 2018

利用生成模型对压缩感知中的稀疏偏差进行建模

PDF
TL;DR研究使用生成模型在压缩感知中提出了一种新的方法 Sparse-Gen, 允许在支持集之外的空间上进行稀疏偏差，从而实现使用特定于领域的先验并允许完整的信号空间内的重建。与其他方法相比，该方法在重建准确性方面有着显著的改进，特别是在迁移压缩感知中应用生成模型于数据稀缺目标领域时。
发现论文，激发创造
  • 使用生成模型的压缩感知

    通过生成模型的范围，无需使用稀疏性，基于 Lipschitz 连续性，提出了一种新的压缩感知算法。与 Lasso 相比，可以使用更少的测量来获得相同的精度。

    Mar, 2017

  • 基于随机生成先验知识的可证收敛压缩感知方案

    本文介绍了一种通过神经网络的深度生成模型来提供低维参数化图像或信号流形的方法， 证明了其在噪声的压缩感知方面的收敛算法，其样本复杂度与先前的稀疏方法相比具有线性的优越性和改进的潜力。

    Dec, 2018

  • 利用生成模型的鲁棒压缩感知

    本文提出基于中位数均值的算法用于压缩感知中估计高维向量，具有重尾或异常值数据的鲁棒性，同时理论结果表明该算法在次高斯假设下具有与经验风险最小化相同的样本复杂度保证。

    Jun, 2020

  • 深度压缩感知

    本文提出了一种结合压缩感知（CS）和神经网络生成器的新型框架，通过元学习联合训练生成器和优化过程，大大改善了信号恢复的速度和性能，并针对不同目标训练测量并从 CS 视角提出提高生成对抗网络（GANs）的新方法。

    May, 2019

  • 利用生成模型进行压缩感知的下界

    本文主要研究了基于生成模型的压缩感知问题，通过下界分析表明基于 L-Lipschitz 生成模型的压缩感知需要线性测量数至少是 k 乘以对数级别的，同时指出生成模型可以作为一种结构表示方法进行推广。作者还构造了一个具有 ReLU 激活的神经网络模型，其层数为 O (1)，每层的激活函数个数为 O (kn)，且该模型可以表示所有 k 稀疏向量。

    Dec, 2019

  • 通过 Langevin 动力学和生成式先验实现可证明的压缩感知

    本文研究了在压缩感知中使用深度生成模型以及通过随机梯度 Langevin 动力学方法实现收敛的性质，并证明了该方法的实验性能与标准的梯度下降方法相当。

    Feb, 2021

  • 生成稀疏潜变压缩感知

    利用神经网络生成模型进行压缩感知的背景信号重建，并通过模拟数据评估了提出的算法。

    Oct, 2023

  • 具有深度生成先验的压缩相位恢复：最优采样复杂度

    本文研究了压缩相位恢复问题，提出了利用生成先验知识的算法可以在具有挑战性的非线性反问题中实现优化的样本复杂度，并可以比稀疏性先验知识暴露更少的测量噪声。

    Aug, 2020

  • 使用生成对抗网络的任务感知压缩感知

    使用对抗生成网络（GANs）代替稀疏约束来构建结构，针对重建任务进行任务感知型训练，并证明可以不使用（或少量使用）非压缩数据训练模型，最后展示 GAN 的潜空间携带有判别信息，并可进一步规范化以生成用于一般推断任务的输入特征，通过对多种重构和分类问题的实验验证方法的有效性。

    Feb, 2018

  • 高斯混合模型的统计压缩感知

    本研究提出了基于统计压缩感知（SCS）的压缩感知（CS）新框架，探索了基于高斯模型的 SCS，对单高斯模型下的信号进行了深入探究，并介绍了用于 GMM 型的信号模型选择、解码的分段线性估算器，提出了最大后验期望最大化算法用于 GMM 型 - SCS 的解码过程。结果表明，与传统 CS 相比，GMM 型 - SCS 在图像感知应用中具有更低的计算成本且具有更好的结果。

    Jan, 2011