Nov, 2019

通过修正线性单元的量化压缩感知

PDF
TL;DR本研究旨在针对高维信号恢复问题，提出了基于修正线性单元的一比特和均匀多比特量化的凸规划算法，在线性测量过程中添加设计良好的噪声，从而获得最优近似重构保证，并证明了该算法对位坏的鲁棒性。其中，Dirksen 和 Mendelson 对非高斯超平面镶嵌的最新结果作为证明依据。
发现论文，激发创造
  • 鲁棒反量化压缩感知

    本文旨在研究数据压缩中由于舍入和饱和误差而引起的重构问题，提出了考虑量化和饱和误差的约束条件和加权 l2——l1 范数优化目标函数，采用增广 Lagrange 方法求解得到一个稳健的一致性解。同时，文章还对之前的相关建模方案进行了广泛的计算比较。

    Jul, 2012

  • 带规范估计的一比特压缩感知

    在本文中，我们探讨了量化线性测量的恢复问题，提出使用量化仿射测量可更好地保留信号的范数信息，并在一定条件下更容易实现稀疏信号的恢复，并可以在已知半径的欧几里得球内成功地估计所有这些稀疏向量的范数。

    Apr, 2014

  • 非线性生成压缩感知中统一信号恢复的框架

    通过引入 Lipschitz 逼近处理不连续观测模型，我们提出了一个统一的框架，用于推导非线性压缩感知中的统一恢复保证，其中观测模型是非线性的且可能是不连续或未知的，并以 1 位 / 均匀量化观测和单索引模型作为典型示例。

    Sep, 2023

  • 线性规划下的一比特压缩感知

    本文通过随机线性测量得到的 O (s log^2 (n/s)) 个标志位，利用线性规划，从稀疏向量中精确恢复出 s-sparse 向量 x，进而将结果推广到了近似稀疏的向量 x。文章以解决随机超平面填充的等效几何问题为基础，并且该方法几乎是最优解。

    Sep, 2011

  • 去量化压缩感知：过采样和非高斯约束相结合

    本研究提出了一类新的凸优化解码器 BPDQ$_p$ 来恢复从均匀量化测量中得到的稀疏信号，证明了在满足扩展的限制等距特性的矩阵中使用 BPDQ$_p$ 可以有效降低重构误差，同时在高斯随机矩阵和均匀量化测量下的表现超过传统的 BPDN 方案。

    Feb, 2009

  • 准线性压缩感知

    研究压缩感知的一般框架，提出了一种非线性测量的自然推广方法，并证明了通过这些测量可以有效地计算和恢复稀疏信号。提出了三种算法，其中包括一种称为广义 OLS 的贪心算法，以及两种硬和软阈值迭代算法的自然推广方法，并证明了这些算法对于基于 Lipschitz 扰动的 RIP 矩阵的非线性测量具有强的恢复保证。

    Nov, 2013

  • 通用单比特压缩感知的改进界限

    本研究旨在展示如何在一位压缩感知框架中恢复稀疏高维向量的支持度以及改进约束在以一位压缩感知测量中从向量中近似恢复的测量数。我们的结果是通用的，即同样的测量方案可同时适用于所有稀疏向量，并且支持度恢复的最优性是通过证明一个使用 1 位压缩感知的 Union Free Families 组合对象实现的。

    May, 2017

  • 使用 RIP 矩阵的量化压缩感知：抖动的好处

    研究了在估计稀疏或可压缩信号时，使用某些随机矩阵构造、添加均匀随机向量或随机噪声来量化信号，可以使信号重建误差降低。并分别在多种情境下进行数值验证。

    Jan, 2018

  • 非高斯测量的一位压缩感知

    本研究通过使用次高斯分布的单比特测量，结合凸程序解决方案，可以精确地重建几乎稀疏的信号。

    Aug, 2012

  • 非高斯超平面镶嵌及鲁莽一位压缩感知

    本文研究利用少数随机仿射超平面生成的分割可近似在任意有界集合 $T$ 内两点间的欧几里得距离，从而得出这种生成方式需要的超平面数量，以及将其应用于一比特压缩感知方案并证明了其鲁棒性以及通过凸优化可以实现精准重建。

    May, 2018