群稀疏信号的平移不变收缩/阈值化
计算机视觉与模式识别
2017-02-21 v1 机器学习
声音
摘要
本文研究了大振幅系数形成簇（群）时的信号去噪问题。 范数及其他可分稀疏模型无法捕捉系数成簇的趋势（群稀疏性）。本工作开发了一种称为“重叠群收缩”（OGS）的算法，基于最小化涉及促进群稀疏性惩罚函数的凸代价函数。群完全重叠，因此该去噪方法具有平移不变性，并避免了块状伪影。基于最大化-最小化（MM）原理，我们推导出一种简单的迭代最小化算法，可单调降低代价函数。此外还描述了一种基于将噪声衰减至指定水平来设置正则化参数的步骤。所提出的方法在语音增强上得到了说明，其中 OGS 方法应用于短时傅里叶变换（STFT）域。OGS 产生的去噪语音不受音乐噪声影响。
引用
@article{arxiv.1304.0035,
title = {Translation-Invariant Shrinkage/Thresholding of Group Sparse Signals},
author = {Po-Yu Chen and Ivan W. Selesnick},
journal= {arXiv preprint arXiv:1304.0035},
year = {2017}
}
备注
33 pages, 7 figures, 5 tables