经典书籍，帮助入门图像处理中的许多计算问题

线性变分去噪声matlab代码ADMM优化 这个存储库包括在我以前的系列文章中针对各种应用程序的（自适应）ADMM优化的Matlab和/或Python实现，这是本文的一部分。 我之前已发布了适应性弛豫（），适应性共识ADMM（）和视觉子类别的低秩最小二乘（）的代码。 此程序包中包含用于自适应ADMM（），用于非凸问题的AADMM（）和自适应多块ADMM（）的代码。 我们还提供了基线方法，原始ADMM，，和归一化残差平衡（）的实现。 应用领域 我们为各种应用提供基于ADMM的求解器，包括 弹性网（l2 + l1）正则化器的线性回归 稀疏（l1 / l0）正则化器的线性回归 （l1 / l2）regualarizer进行逻辑回归 基础追求 低阶最小二乘 强大的PCA（RPCA） 二次编程（QP） 半定式编程（SDP） 支持向量机（SVM） 具有总变化量校正器的1D / 2D去噪 使用总变化量调节器对图像进行去噪/恢复/去模糊 分布式共识问题：逻辑回归 分布式共识问题：线性回归 示例非凸问题：特征值问题 示例性非凸问题：相位检索 您可能也有兴趣检查我们的存储库，以将ADMM应用于神经网络（）

量子力学系统的变分蒙特卡洛研究 所有源代码都位于目录中。 如果存在rustup的有效安装，则可以通过cargo build来为您的系统编译该程序。 操作：在“发行”页面上提供一些预构建的二进制文件。 该文档的源代码位于目录中，并用编写。 预编译的文档可。 注意：该文档使用了自由链接，内置的GitHub PDF Viewer不支持该链接。 请下载PDF并在支持链接的查看器中本地查看。

我们介绍了带变分推理的贝叶斯卷积神经网络，这是卷积神经网络（CNN）的一种变体，其中权重的难处理的后验概率分布是由Backprop的Bayes推断的。 我们证明我们提出的变分推断方法是如何实现的性能相当于频率论推理在几个数据集（MNIST，CIFAR10，CIFAR100），如所描述的相同结构。 贝叶斯vs频频方法中的过滤器权重分布 整个CNN的全贝叶斯视角 图层类型 该存储库包含两种类型的贝叶斯lauer实现： BBB（Backprop的Bayes）： 基于。 该层分别对所有权重进行采样，然后将其与输入组合以从激活中计算出一个样本。 BBB_LRT（使用本地重新参数化技巧的Backprop进行Bayes操作）： 这一层与本地重新参数伎俩结合贝叶斯通过Backprop。 这个技巧使得可以直接从激活中的分布中采样。 制作自定义贝叶斯网络？ 要创建自定义贝叶斯网络，请继承layers.m

为解决电机在变负载运行条件下滚动轴承振动信号故障的特征提取困难、故障诊断准确率低的问题,提出一种基于变步长粒子群的变分模态分解与贝叶斯网络相结合的滚动轴承故障诊断模型。通过变步长粒子群算法优化的变分模态分解与Hilbert变换,提取故障信息并离散化处理,构建贝叶斯网络故障诊断模型,对滚动轴承故障发生概率推理,并利用完备、不完备数据集以及噪声试验验证该方法的准确性。仿真结果表明,该方法能高效提取特征信息,实现对不确定信息的推理估计,提高滚动轴承故障诊断的准确率,在滚动轴承的故障诊断预测中具有较好的理论与应用前景。

构建能同时兼顾图像平滑去噪与边缘保留的自适应全变分模型

bregman matlab兼顾图像平滑去噪与边缘保留的自适应全变分模型matlab

(PyTorch)自编码变分推断主题模型

基于变分理论的高精度光流估计 翻译 High Accuracy Optical Flow Estimation Based on a Theory for Warping 我们研究了计算光流方面能量泛函结合三种假设：亮度不变假设，梯度不变假设和不连续保护的时空平滑约束。为了适用大位移，两个数据项的线性化要严格避免。我们提出了一种基于两种嵌套的定点迭代的一致性数值化方案。事实证明这种方案应用于由粗到精的变分策略，我们给出了变分理论依据，到目前为止，用于主要的实验基础。我们的估计表明这种新颖的方法显著地缩小了角误差相比以前的技术。我们得出：此方法对参数变化十分敏感，我们也证实在噪声下具有很好的鲁棒性。

变分自编码器 (VAE) + 迁移学习 (ResNet + VAE) 该存储库在 PyTorch 中实现了 VAE，使用预训练的 ResNet 模型作为其编码器，使用转置卷积网络作为解码器。 数据集 1. MNIST 数据库包含 60,000 张训练图像和 10,000 张测试图像。 每个图像均保存为28x28矩阵。 2. CIFAR10 数据集包含10个类别的60000个32x32彩色图像，每个类别6000个图像。 3. Olivetti 人脸数据集 脸数据集由 40 个不同主题的 10 张 64x64 图像组成。 模型 模型包含一对编码器和解码器。 编码器 将 2D 图像x压缩为较低维度空间中的向量z ，该空间通常称为潜在空间，而解码器 接收潜在空间中的向量，并在与编码器输入相同的空间中输出对象。 训练目标是让encoder和decoder的组合“尽可能接近identity”。