脑肿瘤的治疗和疾病过程的选择受到肿瘤所在区域的显著影响。通过消除脑部 MRI 图像中的噪声，可以对脑肿瘤进行更好的分割和诊断。本文提出的方法使用特征值分析，结合 MSVD 算法降噪，然后使用深度神经网络对图像中的肿瘤进行分割，相较于使用原始图像，提高了 2.4% 的准确率。使用 MSVD 方法还提高了收敛速度，展示了该方法的有效性。

Jan, 2024

本文考虑一种流式数据模型，通过计算奇异值分解和草图矩阵，获得与原始数据矩阵非常接近的奇异值和奇异向量。同时，将其应用于流图算法来近似计算具有低秩的计算机网络图 Laplacian 的特征值和特征向量。

Nov, 2012

本文提出了一种使用机器学习中的鲁棒主成分分析和深度展开技术的方法，用于去除超声图像中的杂波，并优化超声图像对于血管的可视化效果。

Nov, 2018

本研究提出了一种高效的算法，叫做球形归一化奇异值分解 (SVD)，用于稳健的奇异值分解近似，对异常值不敏感、可扩展的计算，提供准确的奇异向量估计。该算法通过仅使用标准降秩奇异值分解算法对适当缩放的数据进行两次计算，实现了显著的计算速度，并在计算时间上明显优于竞争算法。为评估估计奇异向量及其子空间的稳健性，我们引入了矩阵型输入的新的破坏点概念，包括按行、按列和按块的破坏点。理论和实证分析表明，与标准 SVD 及其修改相比，我们的算法具有更高的破坏点。我们在高维微阵列数据集的鲁棒低秩逼近和鲁棒主成分分析等应用中，经验地验证了我们方法的有效性。总体而言，本研究提供了一种高效且稳健的 SVD 近似解决方案，克服了现有算法在异常值存在时的局限性。

Feb, 2024

本文提出了一种用于在虚拟现实中更准确地复制和存储高阶环绕声的框架，其中采用了奇异值分解和噪声替代技术，使得频率跨度更大，能实现数据块之间的平滑过渡，并增强了在抛弃高阶环绕声通道时的感知质量，其效果在客观和主观评估中得到了证实。

May, 2017

本文提出一种基于张量的奇异值分解的方法，用于理解卷积层的动态过程和发现卷积特征之间的相关性，以及在图像分类网络中应用超图模型进行可解释性研究。

Aug, 2022

通过重新设计算法以监督学习的方式操作，本文针对 K-SVD 图像去噪算法提出了一种基于深度学习的端到端架构，并在优化去噪方面进行了训练，以克服将 K-SVD 方案变为可微分的机器并学习的困难。结果表明，该算法在保留原始 K-SVD 精髓的同时，仅需少量参数学习，就能显著优于经典的 K-SVD 算法，接近于最新的基于学习的去噪方法。

Sep, 2019

一种基于奇异值分解算法的基于区域的有损图像压缩技术 PatchSVD，在图像压缩领域具有优势，与 JPEG 和基于 SVD 的压缩方法相比，PatchSVD 具有可取代的压缩效果和压缩伪影。

Jun, 2024

使用 Cloud K-SVD 字典学习算法通过节点网络在 Kubernetes 中训练，可实现多个节点上的互相学习及图像恢复，并去除噪声，无论在任何节点，其共享的字典可以用于恢复特定的图像。

Mar, 2023

本文提出了一种基于奇异值分解和主成分分析的算法用于时序分类，将所提方法应用于黑洞 GRS 1915+105 的时间序列数据上，结果显示在 12 个时间类别中具有较高的分类准确度。

Jul, 2023