近年来，已经从压缩感测（CS）理论的角度解决了有关稀疏连续信号恢复的各种应用，例如源定位，雷达成像，通信信道估计等。 但是，在考虑任何实际使用时，有两个主要缺陷需要解决。 第一个问题是由任意定位的未知数与预先指定的字典之间的基础不匹配导致的离网问题，这将使常规CS重建方法的性能大大下降。 第二个重要问题是对低复杂度算法的迫切需求，尤其是在面对实时实现的需求时。 在本文中，针对这两个问题，我们提出了三种快速，准确的稀疏重建算法，分别称为HR-DCD，Hlog-DCD和Hl（p）-DCD，它们基于同构，二分坐标下降（DCD） ）和网格优化技术相结合，实现了迭代和非凸正则化。 实验结果证明了所提算法和相关分析的有效性。

Bruno A.Olshausen的经典稀疏编码matlab代码，文章是1996年LETTERS TO NATURE上的emergence of simple-cell receptive field properties by learning a sparse code for natural images.

2013年的teb论文

Scalable LogoRecognition based on Compact Sparse Dictionary for Mobile Device

Sparse coding and dictionary learning with class-specific group sparsity

稀疏八度 一种基于指针的稀疏八叉树数据结构。 有关线性实现，请参见 。 ·· 安装 该库需要对等依赖关系 。 npm install math-ds sparse-octree 用法 点数 import { Vector3 } from "math-ds" ; import { PointOctree } from "sparse-octree" ; const min = new Vector3 ( - 1 , - 1 , - 1 ) ; const max = new Vector3 ( 1 , 1 , 1 ) ; const octree = new PointOctree ( min , max ) ; const myData = { } ; const p1 = new Vector3 ( 0 , 0 , 0 ) ; const p2 = new Vector3 ( 0 , 0 , 0.5 ) ; octree . insert ( p1 , myData ) ; octree . move ( p1 , p2 ) ; octree . get ( p2 ) ; //

Tianyi Zhou，Dacheng Tao等人提出的GoDec模型，适用于低秩分解。

本书主要描述了基于压缩感知的理论，恢复算法，还有详细介绍了应用，特别适合学习压缩感知的人使用

This paper is a survey of the theory and methods of photogrammetric bundle adjustment, aimed at potential implementors in the computer vision community. Bundle adjustment is the problem of refining a visual reconstruction to produce jointly optimal structure and viewing parameter estimates. Topics covered include: the choice of cost function and robustness; numerical optimization including sparse Newton methods, linearly convergent approximations, updating and recursive methods; gauge (datum) invariance; and quality control. The theory is developed for general robust cost functions rather than restricting attention to traditional nonlinear least squares.

一篇关于稀疏子空间聚类算法、理论的概述性论文，可以用于参考