稀疏脉冲编码：神经科学在自然图像处理中的应用

如果现代计算机在某些专门任务（如下棋或浏览大型数据库）上有时优于人类，但在识别和跟踪复杂杂乱背景中的物体等简单任务上，它们无法超越生物视觉的效率。本文概述了中枢神经系统架构中用于视觉的动态、并行和基于事件的表示方法。我们将通过静态自然图像进行说明，表明在信号匹配框架下，线性/非线性（L/LN）级联可以有效地将感觉信号转换为神经脉冲信号，并将此框架应用于模型视网膜。然而，当使用建模初级视觉皮层所必需的过完备基时，该编码会产生冗余；因此，我们通过增加编码的稀疏性来优化效率成本。这是通过利用侧向相互作用传播和抵消冗余信息来实现的。我们比较了该表示在压缩方面的效率以及作为编码长度函数的重建质量。这对应于匹配追踪（Matching Pursuit）算法的改进，其中 ArgMax 函数针对竞争进行了优化，即竞争优化匹配追踪（COMP）。我们将特别关注连接神经科学与图像处理，以及这种跨学科方法的优势。