首页
登录 | 注册

稀疏贝叶斯学习【Sparse bayesian learning】

参考文献:An Empirical Bayesian Strategy for Solving the Simultaneous Sparse Approximation Problem

传统图像恢复,例如用Gaussian 噪声模型+TV正则,使用的是固定参数,且对整个图像参数一致。

在压缩感知领域也是如此,(在图像恢复方面有正逆之分,例如稀疏采样MRI CT,利用压缩感知原理恢复出理想图像。而另一种则是由非稀疏的图像【被系统传递函数模糊】恢复出稀疏的真实图像,例如超分辨领域STORM,SOFI,光声成像等)其L1范数的值是固定且均匀的,而事实上L1只是SBL的第一步而已。其高斯分布的噪声方差与均值不知且不均匀。

当然SBL并非如此狭隘,其是一种估计隐含参数的一种方法,十分自适应且有效,开始应用于神经网络与SVM中使信号稀疏。

稀疏贝叶斯学习【Sparse bayesian learning】
稀疏贝叶斯学习【Sparse bayesian learning】

具体重建算法:EM

稀疏贝叶斯学习【Sparse bayesian learning】

稀疏贝叶斯学习【Sparse bayesian learning】



2020 jeepxie.net webmaster#jeepxie.net
10 q. 0.008 s.
京ICP备10005923号