用于张量压缩感知的传感矩阵与稀疏化字典联合优化
机器学习
2017-06-07 v1 信息论
math.IT
摘要
张量压缩感知(TCS)是压缩感知(CS)的多维框架，与常规CS系统相比，它在减少存储量、简化硬件实现以及保留信号多维结构方面具有优势。在TCS系统中，不同于使用随机传感矩阵和预定义字典，采用优化的多维传感矩阵和学习的多线性稀疏化字典可进一步提升平均情况性能。本文提出一种针对TCS系统的传感矩阵与字典联合优化方法。对于TCS中传感矩阵设计，当多线性字典固定时，提出了一种具有闭式解的可分离扩展方法和一种新颖的迭代不可分离方法。此外，推导了利用多维结构的多维字典学习方法，并在学习过程中考虑了传感矩阵的影响。通过交替迭代优化传感矩阵和字典实现联合优化。使用合成数据和真实图像的数值实验证明了所提方法的优越性。
引用
@article{arxiv.1601.07804,
title = {Joint Sensing Matrix and Sparsifying Dictionary Optimization for Tensor Compressive Sensing},
author = {Xin Ding and Wei Chen and Ian J. Wassell},
journal= {arXiv preprint arXiv:1601.07804},
year = {2017}
}