Analysemodell, Separierbarer Analyseoperator, Bildverarbeitung, Inverse Probleme
TU-Systematik:
DAT 001d
Kurzfassung:
This thesis explores the problem of learning co-sparse analysis operators with separable structures. This model combines the benefits of a reduced computational complexity and an adaptation to the signal class. Additionally, a simultaneous blind learning and reconstruction algorithm is introduced, which allows to handle noise corrupted and undersampled measurements. Numerical results concerning inverse imaging problems confirm the effectiveness and the applicability of the proposed model.
Übersetzte Kurzfassung:
Diese Arbeit untersucht das Problem des Erlernens von Analyseoperatoren mit separierbaren Strukturen. Dieses Modell kombiniert die Vorteile einer reduzierten Rechenkomplexität und einer Anpassung an die Signalklasse. Zusätzlich wird ein simultaner Blind-Lern- und Rekonstruktionsalgorithmus vorgestellt, der es ermöglicht, mit rauschbehafteten und unterabgetasteten Messungen umzugehen. Numerische Ergebnisse zu inversen Bildgebungsproblemen bestätigen die Wirksamkeit und Anwendbarkeit des vorgeschlagenen Modells.
«
Diese Arbeit untersucht das Problem des Erlernens von Analyseoperatoren mit separierbaren Strukturen. Dieses Modell kombiniert die Vorteile einer reduzierten Rechenkomplexität und einer Anpassung an die Signalklasse. Zusätzlich wird ein simultaner Blind-Lern- und Rekonstruktionsalgorithmus vorgestellt, der es ermöglicht, mit rauschbehafteten und unterabgetasteten Messungen umzugehen. Numerische Ergebnisse zu inversen Bildgebungsproblemen bestätigen die Wirksamkeit und Anwendbarkeit des vorgeschl...
»