Methods for Solving Regularized Inverse Problems: From Non-Euclidean Fidelities to Computational Imaging Applications
À l'articulation entre l’urbanisme et l’architecture, deux disciplines fondamentales pour la ville de l’antiquité, cet ouvrage esquisse l’évolution des capitales de province issues de la colonisation romaine, en Gaule Belgique et en... Lire la suite
À l'articulation entre deux disciplines fondamentales pour la ville de l’antiquité, l’urbanisme et l’architecture, cet ouvrage esquisse l’évolution des capitales de province issues de la colonisation romaine, en Gaule Belgique et en Germanie Inférieure
Pour plus d'informations à propos de la TVA et d'autres moyens de paiement, consultez la rubrique "Paiement & TVA".
Spécifications
- Éditeur
- Presses universitaires de Louvain
- Auteur
- Kévin Degraux,
- Set
- Thèses de l'Université catholique de Louvain (UCL)
- Langue
- anglais
- Site web ressource
- Publisher’s website for a specified work
- BISAC Subject Heading
- TEC000000 TECHNOLOGY & ENGINEERING > TEC009000 TECHNOLOGY & ENGINEERING / Engineering (General)
- Code publique Onix
- 06 Professionnel et académique
- CLIL (Version 2013-2019 )
- 3069 TECHNIQUES ET SCIENCES APPLIQUEES
- Description public visé
- Archéologues, historiens de l'antiquité, architectes, urbanistes
- Date de première publication du titre
- 15 mai 2011
Livre broché
- Date de publication
- 19 octobre 2017
- ISBN-13
- 9782875586056
- Illustrations
- 1 bibliography/ 1 glossary
- Ampleur
- Nombre de pages de contenu principal : 226
- Dépôt Légal
- 442 Louvain-la-Neuve, Belgique
- Code interne
- 95771
- Format
- 16 x 24 cm
- Poids
- 367 grammes
- Prix
- 28,80 €
- ONIX XML
- Version 2.1, Version 3
Google Livres Aperçu
Publier un commentaire sur cet ouvrage
Sommaire
Nomenclature xxi
1 Introduction 1
1.1 Motivations . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Outline and contributions . . . . . . . . . . . . . . . . . . 4
2 Preliminaries 7
2.1 Regularized inverse problems . . . . . . . . . . . . . . . . 7
2.1.1 Forward model . . . . . . . . . . . . . . . . . . . . 8
2.1.2 Low complexity priors . . . . . . . . . . . . . . . . 15
2.1.3 Sensing model and embedding . . . . . . . . . . . 25
2.2 Recovery methods . . . . . . . . . . . . . . . . . . . . . . 32
2.2.1 General optimization formulation . . . . . . . . . 33
2.2.2 Non-convex recovery methods . . . . . . . . . . . 35
2.2.3 Convex recovery methods . . . . . . . . . . . . . . 41
2.2.4 Algorithms for convex optimization . . . . . . . . 46
2.2.5 Dictionary Learning . . . . . . . . . . . . . . . . . 51
3 Sparse Support Recovery with Convex Fidelity Constraint 57
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.1.1 Sparse regularization with convex fidelity constraint 58
3.1.2 Dual Certificates . . . . . . . . . . . . . . . . . . . 60
3.1.3 Main result for sparse support recovery . . . . . . 62
3.1.4 Relation to PriorWorks . . . . . . . . . . . . . . . 64
x Table of contents
3.2 Preliminaries and main result . . . . . . . . . . . . . . . . 65
3.2.1 Noiseless support stability . . . . . . . . . . . . . . 65
3.2.2 Model subspace and restricted injectivity conditions 66
3.2.3 Formal statement of the main result . . . . . . . . 71
3.3 Proofs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
3.3.1 Proofs of the lemmas and subdifferential decomposability
. . . . . . . . . . . . . . . . . . . . . . . 74
3.3.2 Proof of Theorem 5 . . . . . . . . . . . . . . . . . . 83
3.4 Numerical experiments . . . . . . . . . . . . . . . . . . . . 91
3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
4 Online Convolutional Dictionary Learning for
Multimodal Imaging 95
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . 96
4.1.1 Main Contributions . . . . . . . . . . . . . . . . . . 97
4.1.2 RelatedWork . . . . . . . . . . . . . . . . . . . . . 99
4.2 Proposed Method . . . . . . . . . . . . . . . . . . . . . . . 100
4.2.1 Problem Formulation . . . . . . . . . . . . . . . . 100
4.2.2 Online Convolutional Dictionary Learning
Algorithm . . . . . . . . . . . . . . . . . . . . . . . 104
4.2.3 Dictionary update . . . . . . . . . . . . . . . . . . 105
4.2.4 Implementation details . . . . . . . . . . . . . . . 107
4.3 Experimental Evaluation . . . . . . . . . . . . . . . . . . . 110
4.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
5 Multispectral Compressive Imaging Strategies using
Fabry-Pérot Filtered Sensors 119
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . 120
5.1.1 Main Contributions . . . . . . . . . . . . . . . . . . 121
5.1.2 RelatedWork . . . . . . . . . . . . . . . . . . . . . 122
5.2 Preliminaries . . . . . . . . . . . . . . . . . . . . . . . . . . 125
5.2.1 Fabry-Pérot Filtered Sensors . . . . . . . . . . . . 125
5.2.2 Forward model and analysis prior . . . . . . . . . 127
Table of contents xi
5.2.3 Recovery Method . . . . . . . . . . . . . . . . . . . 128
5.3 Multispectral Compressive Imaging by Generalized Inpainting
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
5.3.1 Image Formation Model . . . . . . . . . . . . . . . 132
5.3.2 Simulations . . . . . . . . . . . . . . . . . . . . . . 135
5.3.3 Experiments . . . . . . . . . . . . . . . . . . . . . . 138
5.4 Multispectral Compressive Imaging by Out-of-Focus
Random Convolution . . . . . . . . . . . . . . . . . . . . . 140
5.4.1 Image Formation Model . . . . . . . . . . . . . . . 140
5.4.2 Non-idealities and practical considerations . . . . 145
5.4.3 Sensing matrix implementation . . . . . . . . . . . 151
5.4.4 Simulations . . . . . . . . . . . . . . . . . . . . . . 153
5.5 Final Comparison . . . . . . . . . . . . . . . . . . . . . . . 155
5.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
6 Conclusions 163
6.1 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163
6.2 Perspectives and open questions . . . . . . . . . . . . . . 166
References 173
Appendix A Elements of Convex Optimization 195