本研究提出了一种基于大规模凸优化的非光滑正则化算法,直接解决了压缩感知 (corrupted compressive sensing) 问题,同时提出了针对各种情况的鲁棒压缩感知算法和简单有效的求解扩展问题的算法,在计算效率和求解难度等方面得到了显著提高,同时在几个压缩感知成像任务上取得了良好的效果。
Nov, 2012
本文提出了一种新的框架,即容忍近似误差的基于模型的压缩感知(approximation-tolerant model-based compressive sensing),该框架包含了一系列算法,用于稀疏恢复,只需要对模型投影问题进行近似求解,通过图优化技术,将这些算法应用于我们的框架,得到了一种几乎是最优的 CEMD 模型的稀疏恢复方案。
Jun, 2014
本文提出了一种基于模型的压缩感知理论,提供了如何创建具有可证明性能保证的基于模型的恢复算法的具体指南,其中包括引入一类新的结构压缩信号以及一个新的充分条件来描述其恢复性能,命名为有限放大性质,这对应于传统压缩感知限制等比性的自然扩展。实验结果表明了这一新理论和算法的有效性和适用性。
Aug, 2008
本文论述了在压缩感知中利用信号和测量结构进行体现的主题,并将理论与实践相结合,介绍了新的方向及与传统压缩感知的关系。
Jun, 2011
本文提出了一种基于块的压缩感知深度学习算法,通过完全连接网络进行块状线性感知和非线性重建,优化了感知矩阵和非线性重构算子,且在重构质量和计算时间方面优于现有技术。
Jun, 2016
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
本研究考虑利用已知部分的支持的信息来重构稀疏信号,提出了一种基于凸松弛的算法来获得除部分支持已知的信号外最稀疏的信号,以及基于先前信号估计知识的重构方法,并进行了模拟比较。
Mar, 2009
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
介绍了盲压缩感知的概念,提出了三种可能的基稀疏性约束,并证明了唯一性条件及提出了检索解决方案的简洁方法。在唯一性条件下,只要信号足够稀疏,我们的方法可以通过模拟实现类似于依赖于稀疏基先验知识的标准压缩感知的结果,这提供了一个适用于所有稀疏信号的通用采样和重构系统,无需了解稀疏基,只需满足本文中提出的条件和约束即可。
Feb, 2010
本文提出了一种压缩感知技术的性能边界,并描述了如何构建一个可行的正性和通量保持感知矩阵,以及如何在考虑泊松噪声的情况下进行压缩感知感测数据的重建和信号稀疏度惩罚项的优化。研究表明,在信号整体强度增加时,重建误差的上界以适当的速率下降(取决于信号的可压缩性),但对于固定的信号强度,误差界中的信号相关部分随着测量或传感器数量的增加而增加。
Oct, 2009