总变异正则化最小二乘反卷积是最标准的图像处理问题之一。 该软件包使用增强拉格朗日 [1] 的概念提供了当前最先进算法的实现，可以将其视为广为人知的乘法器交替方向方法 (ADMM) 的变体。 deconvtv 的用户界面与当前 MATLAB 的反卷积工具相同，包括 deconvwnr、deconvlucy 和 deconvreg： out = deconvtv(img, psf, mu, opt); deconvtv 支持对图像和视频解卷积问题的直接时空处理。 deconvtv 的应用包括但不限于：图像和视频去模糊、图像和视频去噪、深度数据增强、热空气湍流稳定和多视图合成。 如需更多信息和引文，请参阅： [1] SH Chan、R. Khoshabeh、KB Gibson、PE Gill 和 TQ Nguyen，“用于全变分视频恢复的增强拉格朗日方法”，IEEE Trans。 图像

聚合物脊形光波导是聚合物集成光电子器件的重要构成单元。利用有效折射率法计算聚合物脊形光波导的横向折射率分布及有效折射率, 将各区域中的光场分布近似用分段函数表达。基于导模满足的标量波动方程, 利用变分法确定变分参量, 以求得准确的横向光场分布。对聚合物脊形多模光波导基模和高阶模的色散特性与横向场分布进行分析, 研究了波导结构参数对色散特性的影响, 计算出TM基模和高阶模的光场分布, 得出了聚合物脊形光波导的单模传输条件。研究表明, 该方法计算量小、精度高, 对聚合物光电子器件中脊形光波导的理论分析与设计优化提供了简单高效的方法。

使用0，1两数值的水平集函数实现CV模型，CV模型无需考虑初始水平集位置，次代码为单相（一个水平集）所以只能将图像分为两部分。

这是一本我国早期敬业专家翻译出来的国外好书，外国专家写得好，中国专家翻译的好，不像目前个别翻译者纯粹是为了经济利益或者晋升。

利用图像局部特征，提出了一种基于[Lp]范数的变指数正则变分模型。采用结构张量作为[Lp]范数算子的自适应调整参数，克服了传统算子对噪声敏感的缺陷。从扩散的角度看，该模型是各向异性的，在图像同质区趋于平滑滤波，在图像渐变区趋于沿边缘方向扩散。该方法在扩散的同时更好地保持图像的边缘细节。实验结果表明，该方法对医学图像的复原效果优于其他几种变指数变分模型，各种客观性能指标也更佳。

Y. Wang 等人，MTV：用于图像噪声去除的修正总变分模型，IEE Electronics Letters，第 47 卷，第 10 期，第 592-594 页，2011 在这个MTV中，扩散是沿着原始噪声图像的边缘方向（可能是使用小尺度高斯滤波器的平滑版本），它可以很好地保留边缘和抑制阶梯。 此代码包括 TV、Perona-Malik、YK 四阶 PDE 和建议的 MTV 模型。

具有高斯混合分量的狄利克雷过程混合模型的变分推理。 基于以下论文： Blei, DM, 和 Jordan, MI (2006)。 Dirichlet 过程混合物的变分推断。 贝叶斯分析，1（1），121-143。

颜色分类leetcode 时间序列聚类 时间序列聚类是一项无监督学习任务，旨在将未标记的时间序列对象划分为同质的组/集群。 与其他集群中的时间序列相比，同一集群中的时间序列彼此更相似 该算法能够： 识别跨序列的联合动态 消除序列间的滞后（时移）（通常称为滞后不变性） 生成可解释的特征。 一般来说，时间序列聚类算法有两种类型： 基于特征- 使用特征提取转换原始数据，在生成的特征之上运行聚类 基于原始数据- 直接应用于时间序列向量，无需任何空间变换 变分循环自动编码器 (VRAE) VRAE 是一种基于特征的时间序列聚类算法，因为基于原始数据的方法受到维数灾难的影响，并且对嘈杂的输入数据很敏感。 中间的瓶颈层将作为整个输入时间序列的特征表示。 建筑学 网络 从这里开始，RNN 指的是循环神经网络架构，即 LSTM/GRU 块。 我们的模型主要由四个块组成 编码器：输入向量序列被馈送到 RNN，最后一个隐藏层h_end从 RNN 中提取并传递到下一层 编码器到潜在层： h_end通过使用线性层映射到均值和标准差 给定均值和标准差。 偏差，在训练期间执行重新参数化。 这实质上意味着从由其均值和

最优控制

Onsager 变分原理的相关资料，适合非数学专业的博士生学习。