matlab图像去模糊原始码CCSC_code_ICCV2017 这是ICCV 2017论文“共识卷积稀疏编码”的源代码存储库。 作者： Biswarup Choudhury，Robin Swanson，Felix Heide，Gordon Wetzstein和Wolfgang Heidrich。 仓库信息： 所有代码均在MATLAB 2016b中编写和测试 2D：从大型图像数据集中学习2D卷积过滤器，例如ImageNet（将单独下载）。 还包含用于使用所学过滤器修复问题（例如修复和泊松反卷积）的代码。 2-3D：学习用于高光谱图像的卷积滤镜。 还包含用于高光谱修复和去马赛克的代码。 3D：学习视频数据集的3D卷积过滤器（将单独下载）。 还包含使用学习到的过滤器对视频进行去模糊处理的代码。 4D：学习用于光场数据集的4D滤镜（提供了示例输入光场数据）。 还包含使用所学过滤器进行新颖视图合成的代码。 image_helpers：用于读取数据，对比度归一化等的其他实用程序代码。 内存需求： 所有实验均在128GB内存下进行。 参考： 如果您使用上述任何代码或受其启发的版本，请引用我们的论文

网址：http://deeplearning.stanford.edu/wiki/index.php/Exercise:Sparse_Autoencoder斯坦福深度学习的教程，这个是稀疏编码的的练习，可以直接运行

\qquad现有一个求稀疏编码的问题： min⁡∥z∥0s.t. x=Dz \min \parallel z \parallel_0 \quad s.t. \ x=Dz min∥z∥0​s.t. x=Dz \qquad其中D∈Rn×mD\in \mathbb{R}^{n\times m}D∈Rn×m, z∈Rmz\in \mathbb{R}^{m}z∈Rm 是 x∈Rnx\in \mathbb{R}^{n}x∈Rn 的 sparse code. \qquad 解决上式是一个复杂度随 m 以指数级增长的组合问题，最常见的解决方法是将 l0l_0l0​ 范数替换为 l1l_1l1​范数.即目标函数

适合学习稀疏编码的人，是源代码，包含了实验的原始数据集，可以直接编译运行，还有一点自己的小改进，适合初学和稀疏编码爱好者下载学习参考

matlab椒盐去噪代码LoBCoD CSC模型的局部块坐标下降算法 这是实现LoBCoD算法的Matlab程序包。 E. Zisselman, J. Sulam and M. Elad, "A Local Block Coordinate Descent Algorithm for the Convolutional Sparse Coding Model". CVPR 2019. [] [] [] 引用LoBCoD @InProceedings{Zisselman_2019_CVPR, author = {Zisselman, Ev and Sulam, Jeremias and Elad, Michael}, title = {A Local Block Coordinate Descent Algorithm for the CSC Model}, booktitle = {The IEEE Conference on Computer Vision and Pattern Recognition (CVPR)}, month = {June}, year = {2019} }

稀疏编码中涉及到的： LASSO，近端梯度优化（PGD），迭代软阈值算法（ISTA），L-Lipschitz条件，软阈值的公式推导

网址：http://deeplearning.stanford.edu/wiki/index.php/Exercise:Sparse_Autoencoder斯坦福深度学习的教程，这个是稀疏编码的的练习，可以直接运行

Linear Spatial Pyramid Matching Using Sparse Coding for Image Classification-ScSPM对应代码

压缩感测理论近年来引起了广泛的关注，并且稀疏信号重建已广泛用于信号处理和通信中。 本文解决了稀疏信号恢复的问题，尤其是在非高斯噪声的情况下。 本文的主要贡献是提出了一种算法，其中负熵和重新加权方案代表了解决问题方法的核心。 信号重建问题被形式化为约束最小化问题，其中目标函数是误差统计特征项，负熵和稀疏正则项项测量值p的范数之和，对于0 <p <1。但是，p-范数会导致非凸优化问题，难以有效解决。 在这里，我们将'p-范数视为加权的'1-范数的严重范数，以使子问题变得凸。 我们提出了一种优化算法，该算法结合了前向后向拆分。 该算法速度快，能够成功准确地恢复具有高斯和非高斯噪声的稀疏信号。 若干数值实验和比较证明了该算法的优越性。

Locality-constrained Linear Coding for Image Classification论文中对应的代码