- 非线性变换下的子空间嵌入
给出了第一个关于非线性函数类的低失真嵌入,并将其应用于压缩感知和生成型神经网络,以达到线性问题的非线性转化。
- ICML自适应正则化硬阈值稀疏凸优化
本文提出了适应性正则化硬阈值算法(ARHT)和置换正交匹配追踪算法(OMPR)用于优化一个凸函数的目标,同时在稀疏约束下,使用受限制条件数来分析各种算法的稀疏性保证,进一步研究了基于约束等距性的压缩感知。
- 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。
- 全局单射 ReLU 网络
本文探讨了深度神经网络中全连接和卷积层的可逆性和稳定性,指出了扩张性因子对网络可逆性的必要性和充分性,证明了任何 Lipschitz 映射都可以近似为可逆的 ReLU 网络,并提出了一个基于随机投影的全局可逆性模型。
- 基于生成先验信息的压缩感知中定常扩张足矣
给定压缩感知方法中使用的生成神经网络提供了更紧密的理论保证
- CVPR基于投影与概率的黑盒攻击
通过压缩感知和概率驱动策略,利用少量请求达到更好的优化效果,从而解决黑盒攻击中存在的过多请求的问题,并在与其他攻击方法比较后证明其具有更高的攻击成功率。
- 端到端变分网络用于加速 MRI 重建
MRI 速度慢的问题得到了通过多视图采集和少量样本采集的两种方法的互补。本文介绍了一种新方法,采用学习完全端到端的方式扩展了先前提出的变分方法。在 fastMRI 数据集上,我们的方法获得了新的最先进的结果,适用于脑部和膝盖的 MRI。
- 贝叶斯最优卷积 AMP
本文提出了 Bayes - 最优的卷积逼近信息传递 (CAMP) 用于压缩感知中的信号恢复,CAMP 使用与近似信息传递 (AMP) 相同的低复杂度匹配滤波器 (MF) 进行干扰抑制。
- 基于流噪声模型的反问题求解
该研究利用归一化流先验研究了图像反问题,将解视为基于测量的图像后验概率最大化估计,通过噪声模型和非线性正演算子验证了该方法在各种反问题中的有效性,并初步解决了带有流先验的反问题的理论恢复保证问题。
- 低维度表示中点的群组解释
介绍了一种新的解释机器学习问题的算法,利用学习到的低维度表示来识别不同群组之间的关键差异,该算法名为全局反事实解释,使用压缩感知技术限制差异保持一致。实验证明这种算法可以较为精确地解释模型,并与数据中的实际模式相匹配。
- 深度学习图像重建的鲁棒性改进
本文提出了一种改进深度神经网络逆问题求解器的训练策略,通过使用一种辅助网络来生成对抗样本,并使用 min-max 公式构建稳健的图像重建网络,从而提高了对反重建技术的鲁棒性。通过针对两个不同数据集的压缩感知重建的实验,得出了对训练网络增加扰 - 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 - 随机生成先验相位恢复与压缩感知的精确渐进理论
本文探讨了使用具有随机权值矩阵和任意激活函数的全连接深度神经网络作为生成先验的一个集合,进行压缩感知和随机测量矩阵的相位恢复问题的信息理论优化性能和最好已知的多项式算法的锐利渐近性,并发现在这个问题上,生成先验相比于稀疏可分离先验在算法性能 - GrappaNet: 将平行成像与深度学习相结合用于多线圈 MRI 重构
本文介绍了一种新型方法 GrappaNet 通过深度神经网络集成传统的并行成像方法,能够在高加速因子下生成高质量的重建,实验证明在 FastMRI 数据集中与竞争方法相比,GrappaNet 可以生成更高质量的重建,加快 MRI 的数据获取 - ICCV使用压缩感知和局部多项式图像表示相结合的方法恢复非刚性失真水下图像
通过使用压缩感知和稀疏表示来恢复水下图像,进一步结合基于局部多项式扩展的光流算法,成功提高了图像质量,并在非刚体运动估计领域做出了创新性贡献。
- MRI 采样模式学习
本文利用压缩感知理论,提出了一种用于磁共振成像的稀疏采样模式学习方法,通过只有 7 个样本对的监督学习方法训练,可以在测试数据上取得较高重建质量。
- AAAI基于图像自适应 GAN 的重建
本研究针对深度生成模型如变分自编码器和生成对抗网络在高复杂度图片样本表现的不足,提出一种图像自适应的修复方案,增强复原的表达能力。在图像超分辨率和压缩感知方面进行了实证表明其优势。
- IJCAI行动组合:针对文本游戏中组合行动空间的稀疏模仿学习
本研究提出了一个计算效率高的算法,结合压缩感知和模仿学习,用来解决具有组合动作空间的基于文本的游戏。研究表明,将新的压缩感知算法 IK-OMP 结合到监督式模仿学习中,所得到的稀疏模仿学习算法 (Sparse-IL),无论是在完美演示还是嘈 - ICML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。
- MM基于源编码的毫米波信道估计与基于深度学习的解码
本文旨在使用基于深度学习的方法解决毫米波通信中的信道估计问题,将信道估计视为源压缩问题,并比较了该方法与现有压缩感知方法的性能差异和最少测量次数下的可靠信道识别问题。