Publication

Sparse Dictionaries for Continuous-Domain Inverse Problems

Michaël Unser, Shayan Aziznejad, Thomas Jean Debarre
2019
Conference Papers

Résumé

We study 1D continuous-domain inverse problems for multicomponent signals. The prior assumption on these signals is that each component is sparse in a different dictionary specified by a regularization operators. We introduce a hybrid regularization functional matched to such signals, and prove that corresponding continuous-domain inverse problems have hybrid spline solutions, i.e. they are sums of splines matched to the regularization operators. We then propose a B-spline-based exact discretization method to solve such problems algorithmically.

Source officielle

https://infoscience.epfl.ch/entities/publication/5049378d-d6fc-43a0-9848-66987bf69c77

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Sparse Dictionaries for Continuous-Domain Inverse Problems

Chattez avec Graph Search

Learning to Reason with Neural Networks: Principles and Methods

A comparative analysis of gene expression profiling by statistical and machine learning approaches

SaliencyMix plus : Noise-Minimized Image Mixing Method With Saliency Map in Data Augmentation