Hochauflösende Rekonstruktion von Linien in verrauschten Bildern mit dem Sliding Frank-Wolfe-Algorithmus
Der Artikel präsentiert einen neuen Ansatz zur hochauflösenden Rekonstruktion von Linien in verrauschten Bildern unter Verwendung des Sliding Frank-Wolfe-Algorithmus. Dieser Ansatz überwindet mehrere Einschränkungen früherer Methoden und liefert eine deutlich genauere Schätzung der Linienparameter.
Tiefe regularisierte zusammengesetzte Gauß-Netzwerke zur Lösung linearer inverser Probleme
DR-CG-Net ist ein neuartiges tiefes neuronales Netzwerk, das eine gelernte zusammengesetzte Gauß-Verteilung als Regularisierung für die Lösung linearer inverser Probleme verwendet und dabei die Leistung bestehender Methoden deutlich übertrifft, insbesondere bei geringen Trainingsdatensätzen.
Hybrides konvolutionales und Aufmerksamkeitsnetzwerk zur Hyperspektralbildentlärmung
Das vorgeschlagene hybride konvolutionale und Aufmerksamkeitsnetzwerk (HCANet) nutzt sowohl die Stärken von konvolutionalen neuronalen Netzen (CNN) als auch von Transformern, um globale und lokale Merkmale effektiv zu modellieren und die Leistung der Hyperspektralbildentlärmung zu verbessern.
© 2024 by Linnk AI