$\ell_1$-K-SVD：一种具有同步更新的鲁棒字典学习算法
计算机视觉与模式识别
2015-03-04 v2 机器学习
摘要
我们通过最小化数据项上的 失真度量开发了一种字典学习算法，该度量已知对非高斯噪声污染具有鲁棒性。所提出的算法利用了加权 误差迭代最小化的思想。我们将此算法称为 -K-SVD，其中字典原子和相应的稀疏系数被同步更新以最小化 目标函数，从而实现噪声鲁棒性。实验表明，在高斯和非高斯噪声条件下，与 K-SVD 以及 Lu 等人提出的鲁棒字典学习 (RDL) 算法相比，-K-SVD 算法产生了更高的原子恢复率。我们还表明，对于固定的稀疏度、字典原子数量和数据维度，当可用训练集较小时，-K-SVD 算法优于 K-SVD 和 RDL 算法。我们将所提出的算法应用于去除受加性高斯和拉普拉斯噪声污染的自然图像噪声。观察到使用 -K-SVD 去噪的图像在拉普拉斯噪声下比 K-SVD 具有略高的峰值信噪比 (PSNR)，但在输入 PSNR 较低时，结构相似性指数 (SSIM) 的提升显著（约 ），表明了 度量的有效性。
引用
@article{arxiv.1410.0311,
title = {$\ell_1$-K-SVD: A Robust Dictionary Learning Algorithm With Simultaneous Update},
author = {Subhadip Mukherjee and Rupam Basu and Chandra Sekhar Seelamantula},
journal= {arXiv preprint arXiv:1410.0311},
year = {2015}
}