用于压缩感知的DCEN

Research Paper#Compressed Sensing, Sparse Recovery, Optimization, Image Reconstruction🔬 Research|分析: 2026年1月3日 19:10•
发布: 2025年12月29日 01:35
•
1分で読める
•ArXiv

分析

本文介绍了一种用于稀疏恢复的新框架DCEN，特别适用于具有相关特征的高维变量选择。它统一了现有模型，提供了恢复的理论保证，并提供了高效的算法。扩展到图像重建（DCEN-TV）进一步增强了其适用性。在各种实验中始终优于现有方法，突出了其重要性。
引用 / 来源
查看原文
"DCEN consistently outperforms state-of-the-art methods in sparse signal recovery, high-dimensional variable selection under strong collinearity, and Magnetic Resonance Imaging (MRI) image reconstruction, achieving superior recovery accuracy and robustness."
A
ArXiv2025年12月29日 01:35
* 根据版权法第32条进行合法引用。
较旧

Beyond URDF: The Universal Robot Description Directory for Shared, Extensible, and Standardized Robot Models

较新

Multi-Agent Framework for Threat Mitigation and Resilience in AI-Based Systems

相关分析

Research Paper

SpaceTimePilot：时空控制的生成视频渲染

2026年1月3日 06:10

Research Paper

量子混沌哈密顿量演化下的随机性生成

2026年1月3日 06:10

Research Paper

GaMO：几何感知扩散用于稀疏视角3D重建

2026年1月3日 06:32

来源: ArXiv