Mar, 2019

正则子奈奎斯特采样的张量完成

PDF
TL;DR本研究提出了一种基于正则采样的三或高维张量信号重建框架，使用张量秩替代信号带宽来决定采样复杂度，尤其适用于自然为张量的信号，例如图像和视频。同时，我们将功能性磁共振成像 (fMRI) 加速问题视为张量采样问题，并设计出实用的采样方案和算法框架，数值结果表明我们的张量采样策略能够大大加速 fMRI 采样过程而不影响重建精度。
发现论文，激发创造
  • 张量的新采样技术

    本文提出了新技术，以加速机器学习中最近流行的张量算法，并通过一种新的随机方式仅选择可能 n^3 元素的 O (n ^ 1.5/ Epsilon ^ 2) 元素，以达到张量稀疏化，张量完成和张量因子化的三个目的。

    Feb, 2015

  • 模型适应型傅里叶采样用于生成式压缩感知

    研究了当测量矩阵从一个酉矩阵中随机子采样时的生成式压缩感知，提出了一个改进的样本复杂度的模型适应采样策略，利用非均匀随机采样分布提出了新的理论恢复保证，并优化采样分布以最小化所需测量数目，并验证了 CelebA 数据集上的恢复实验的性能。

    Oct, 2023

  • 基于深度学习的低采样 MRI 重建

    本文利用深度学习方法，通过对 k 空间数据进行次 - Nyquist 采样策略降维，来提高磁共振成像的速度，并提供了理由为什么该方法表现良好。通过在时间消耗方向上采用均匀子采样捕捉高分辨率图像信息，同时允许由 Poisson 求和公式指导的图像折叠问题。为了处理由图像折叠产生的定位不确定性，只添加了极少量的低频 k - 空间数据。大量的实验证明了该方法的显着性能表现，只需要用到 29% 的 k - 空间数据就可以像使用完全采样数据的标准 MRI 重建一样高效生成高质量的图像。

    Sep, 2017

  • 流式多元时间序列的零延迟一致信号重建

    通过学习多变量时序数据的时空依赖关系，利用递归神经网络以确保一致性，本研究提出了一种从数据流中一致重建量化间隔的方法。实验证明，相比非一致重建方法，我们的提议方法在采样率方面具有有利的误差率衰减效果。

    Aug, 2023

  • 使用频率选择重建将非规则像素子集的图像重新采样为规则网格

    本文介绍了一种名为频率选择性重建的算法，可以将图像信号从非规则的采样点重建到规则的网格上，通过在傅里叶域中利用信号的稀疏性和成像系统的光学传递函数等基本特征建立一个稀疏模型，实现了很高的重建质量和视觉质量。

    Apr, 2022

  • NMR 相关和交流实验的子采样

    深度学习在完全或接近完全采样的情况下比正则化方法更有效，然而在明显子采样信号的情况下，正则化优于深度学习，其中 MTGV 优于 Tikhonov 正则化。

    Dec, 2023

  • 自适应采样的低秩矩阵和张量补全

    研究低秩矩阵和张量完成，提出了采用自适应抽样方案的新算法，它们具有强大的性能保证，并能够恢复具有噪声干扰的低秩矩阵。

    Apr, 2013

  • 基于学习的压缩子采样

    该研究提出了一种基于学习的方法来选择优化恢复性能的固定索引集，通过解决组合优化问题最大化能量捕获。结果表明，该方法在各种数据集上都是有效的。

    Oct, 2015

  • 基于图的离散信号处理：采样理论

    本文提出了适用于有向图和无向图信号的抽样定理，可以实现在保证完美恢复的前提下降低样本量，且可以将采样后的信号系数形成新的图信号，该理论还被应用于半监督分类，以较少的标记样本就达到了与之前工作相似甚至更好的性能。

    Mar, 2015

  • 鲁棒的不确定性原理：从极度不完整的频率信息中精确重建信号

    考虑从不完整的频率样本中恢复对象的模型问题，通过解决凸优化问题，可以精确重建对象。该方法可拓展到其他设置和更高维度中，例如可以通过最小化其他函数来重建部分常数对象。

    Sep, 2004