- 在扰动图上定义信号的压缩恢复
从复合测量中恢复在图的节点上定义的信号,同时矫正图扰动的算法和理论分析
- 使用低秩反卷积进行多维信号恢复
本文提出了低秩反卷积,这是一个用于效率信号表示的低层特征映射学习的强大框架,适用于信号恢复,并在学习压缩视频表示和解决图像修复问题方面展现了其优势。
- SigT: 一种基于 Transformer 的高效端到端 MIMO-OFDM 接收机框架
利用深度学习方法,提出了一种基于 transformer 的端到端 MIMO-OFDM 接收框架(SigT),该框架将每个天线接收到的信号视为 transformer 的 token,能够学习不同天线之间的空间相关性以缓解零样本问题,并且能 - 通过 Langevin 动力学和生成式先验实现可证明的压缩感知
本文研究了在压缩感知中使用深度生成模型以及通过随机梯度 Langevin 动力学方法实现收敛的性质,并证明了该方法的实验性能与标准的梯度下降方法相当。
- 未经训练的神经网络压缩感知:梯度下降找到最平滑的逼近
通过在少数几个度量值中应用未训练卷积神经网络的自正则化属性,在没有任何正则化的情况下,可以从少数的随机测量中大致重建具有足够结构的信号和图像。
- ICCV基于端到端深度学习和视频增强的高度压缩面部视频心率远程测量
本文提出了一个两阶段的端到端 RPPG 信号恢复方法,该方法包括视频增强和 RPPG 信号恢复两个阶段。实验结果表明,该方法在压缩视频上表现出色,并且具有很好的泛化能力。
- 随机优化信号恢复
本文提出了一种通过解决随机单调变分不等式的问题来缩减 Generalized Linear Models 中的信号恢复问题的途径,解决方法可在计算上得到高效的实现,具有弱化的结构假设,可以追溯到 Rosenblatt 的感知机算法的思想。
- 信号恢复的最优谱初始化及其在相位恢复中的应用
本文提出了一个用于解决相位恢复和其他信号恢复问题的非凸优化算法中广泛使用的光谱方法的最优设计方案,该设计方案利用了最近在高维极限下的性能准确描述的结果,并将最优设计任务映射到带权 L2 函数空间中的一个受限制的优化问题。
- 使用相同的编码 - 解码 CNN 结构的深度 BCD-Net 进行迭代图像恢复
本文探讨了极端计算成像的问题,引入卷积神经网络等新方法,提高了图像复原的准确性和速度。
- 压缩图像感知的深度网络
本文尝试借助深度网络解决压缩感知中的采样效率和信号恢复的问题,通过训练一个采样矩阵和设计一个类似于压缩感知重构过程的深度网络,我们的实验结果显示,我们的方法相较于现有技术提供了显著的质量提高。
- DeepCodec: 基于深度卷积神经网络的自适应感知与恢复
本文提出了一种新型的计算感知框架,以深度卷积神经网络为基础,通过学习从原始信号到少量欠采样信号的转换和从欠采样信号到原始信号的逆转换,实现了结构化信号的感知和恢复。通过与传统压缩感知方法相比较,实验证明所提出的方法在信号恢复的性能、训练速度 - 解决一组二次等式中的(大多数)问题:用复合优化进行强健相位恢复
本研究通过最小化凸函数 $h$ 与平滑函数 $c$ 的组合 $f (x)=h (c (x))$ 的程序,解决随机收集的二次等式,特别是相位恢复问题,进而提出了一种基于近似线性的算法,可以高概率解决恶意测量下的相位恢复问题,并且该算法需要基本 - 通过非凸优化破解样本复杂度壁垒的二次测量结构信号恢复
本文针对 $m<<n$ 的欠定情况,在优化变量上施加先前的结构信息,将恢复问题形式化为非凸优化问题,并证明了在任何不变约束集下,投影梯度下降收敛于未知信号的线性速率,这为此数据贫瘠的场景提供了第一个可证实的算法,为理解约束非凸优化启发了强有 - 从汇聚的数据中解码:消息传递的相变
该研究利用近似信息传递算法和状态演化方程分析多维度动态,研究从多个汇总子集的直方图中恢复分类变量离散信号的问题,并揭示了 AMP 行为从精确恢复到弱相关与信号的锐利相变现象,通过一些特殊情况的公式推导,准确地展示了它们与实验行为的匹配。
- 通过深度卷积神经网络学习反演:信号恢复
本研究致力于解决压缩感知中遇到的两个挑战问题:真实数据在固定基下不是稀疏的;当前的高性能恢复算法收敛速度慢,这限制了压缩感知的应用。通过使用深度卷积神经网络,我们开发了一个名为 DeepInverse 的新信号恢复框架,从测量向量学习逆变换 - 寻找具有进动自旋的紧凑双星引力波
研究发现,使用具有波形旋转轨道角动量对齐(或反对齐)的波形模型的 LIGO 和 Virgo 天文台对紧密对象二进制的引力波搜索,可以使用具有一般(进动)自旋 angular spins 的压缩物体。本文在与模拟波形比较后,表明使用通才的自旋 - 一种用于最小化三个凸可分函数和的原始对偶不动点算法
本文提出了一个用于解决图像处理和信号恢复问题的基于原始 - 对偶不动点的算法,用于处理涉及三个凸可分函数总和的最小化问题,证明了其收敛性,并通过在融合 LASSO 和带非负约束和稀疏正则化的图像恢复等例子中的应用展示了其效率。
- 深度学习方法应用于结构化信号恢复
本文提出了一个新的感知和恢复结构化信号的深度学习框架,并应用堆栈去噪自编码器(SDA)进行统计依赖性捕获来提高信号恢复性能。
- 广义近似信息传递压缩相位恢复
本研究提出了一种基于广义近似消息传递算法 (GAMP) 的新型压缩相位恢复方法 (PR-GAMP),并通过实验表明,该算法在减少测量数量、回收信号、抗噪声和运行时间等方面表现出了优越性。
- 流形嵌入和压缩测量信号恢复的新分析
本文使用经验过程的工具,在低维流形信号族下研究了随机测量算子的嵌入问题及在噪声压缩测量下流形信号恢复和参数估计的确定性和概率最优解。结果表明,使用流形模型在压缩信号处理中可以高精度地进行信号恢复和参数估计。