On Integer Optimal Control with Total Variation Regularization on Multi-dimensional Domains
针对多维域上带总变差正则化的整数最优控制问题,推导了一阶最优性条件与部分线性化信赖域子问题,并证明序列线性整数规划算法的迭代极限为一阶最优点。
2023-08-22 math.OC
Variational properties of value functions
正则化在反问题的各种优化公式中起着关键作用。正则化方法中反复出现的主题是正则化参数的选择,以及它们对最优化问题的解和最优值的影响。值函数对正则化参数的灵敏度可以直接与拉格朗日乘子相关联。本文刻画了一大类凸函数的值函数的变分性质,这类凸函数并不都是标准拉格朗日乘子理论所能涵盖的。给出了一个反函数定理,该定理将不同正则化公式(不一定是凸的)的值函数联系起来。这些结果对正则化参数的选择和专门算法的开发具有重要意义。数值例子说明了理论结果。
2013-05-23 math.OC
A Study of One-Parameter Regularization Methods for Mathematical Programs with Vanishing Constraints
带消失约束的数学规划(Mathematical Programmes with Vanishing Constraints,MPVCs)是一类非线性最优化问题,在桁架拓扑设计、机器人运动规划等工程问题中有着广泛的应用。从理论和数值的角度来看,MPVCs都是困难的问题:消失约束的组合性质通常会阻止标准的约束规格和最优性条件的实现;此外,可行集本质上是非凸的,并且通常在感兴趣的点周围没有内部。因此,本文研究和比较了四种正则化方法的数值解的MPH。每种方法都依赖于一个正则化参数,该参数用于将原始MPVC嵌入到标准非线性程序序列中。这些方法的收敛结果的基础上精确和近似平稳的子问题建立在弱假设。通过给出KKT乘子存在的充分条件,研究了子问题的改进正则性。基于桁架拓扑设计和气动热力学最优控制问题的数值实验,补充了正则化方法的理论分析和比较。计算结果突出了使用正则化直接应用标准求解器的好处,它们使我们能够确定两个有前途的正则化方案。
2020-06-28 math.OC
Sequential Linear Integer Programming for Integer Optimal Control with Total Variation Regularization
我们提出了一个信赖域方法,解决了一系列的线性整数规划,以解决整数最优控制问题正则化的全变差罚款。全变差罚函数使我们能够证明整数最优控制问题的极小值的存在性。我们引入了一个局部最优性的概念的问题,这是从无限维的角度来看。在控制函数的一维域的情况下,我们证明了我们的算法所产生的迭代收敛到满足局部最优的一阶平稳性条件的点。我们证明了一个计算实例的理论研究结果。
2022-05-06 math.OC
Influence of dimension on the convergence of level-sets in total variation regularization
推广了全变差正则化线性反问题水平集的Hausdorff收敛性的一些结果。考虑了巴拿赫空间中大于2的维数和测度。我们调查之间的关系的尺寸和假设的可积性的解决方案,使这样的扩展成为可能。我们还给出了一些实际应用场景中的自然选择的保真度项,使这样的收敛失败的反例。
2019-05-15 math.OC
Acousto-Electric Tomography with Total Variation Regularization
研究了声电层析成像中由内部功率密度数据恢复有界区域内电导率分布的数值重建问题。我们提出了一种数值方法恢复不连续的电导率分布,通过重新制定它作为一个最优化问题,$ L^1 $拟合和全变差罚款PDE约束。我们建立了连续性和可微性的前向映射的结果,适定性的最优化问题,并提出了一个易于实现和强大的数值方法的基础上连续线性化,平滑和迭代重新加权。大量的数值实验来说明所提出的方法的可行性。
2018-08-03 math.OC
Inverse Potential Problems for Divergence of Measures with Total Variation Regularization
研究了泊松方程的反问题,其源项为$\mathbf{R}^3$值测度的散度,即势$Φ$满足$$ ΔΦ= \text{div} \boldsymbolμ, $$,且$\boldsymbolμ$在已知场梯度$Φ$(的一个分量)与$\boldsymbolμ$的支撑不相交的集合上重构.这种问题出现在几个电磁场在准静态制度,例如,当恢复reversible磁化从测量其磁场。我们开发了基于全变差正则化的$\boldsymbolμ$恢复方法。我们提供了充分条件,唯一的恢复$\boldsymbolμ$,渐近时的正则化参数和噪声趋于零的组合方式,当它是单向的或当磁化有一个支持,这是稀疏的意义上说,它是纯粹的1-unrectifiable。数值例子来说明主要的理论结果。
2018-09-21 math.OC
A function space framework for structural total variation regularization with applications in inverse problems
在这项工作中,我们介绍了一个函数空间设置的结构/加权全变差(TV)正则化方法的动机,其应用在反问题。特别是,我们考虑一个正则化,这是适当的下半连续包络(松弛)的一个合适的全变差型功能最初定义为足够的光滑函数。我们研究的例子中,这种放松可以明确表示,我们还提供了加权全变差的权重范围很广的改进。由于在函数空间的松弛积分表征,在一般情况下,并不总是可用的,我们表明,对于一个相当一般的线性反问题设置,而不是经典的吉洪诺夫正则化问题,可以等价地解决鞍点问题,没有先验知识的明确制定的结构电视功能是必要的。特别是,具体应用的动机,我们推导出相应的结果与范数和泊松对数似然数据差异项的线性反问题。最后,我们提供了概念验证的数值示例,其中我们解决了加权TV去噪以及MR引导PET图像重建的鞍点问题。
2017-10-04 math.OC
Shape and topology optimization for variational inequalities with pointwise boundary observation
University of Haute Alsace(上阿尔萨斯大学);Inst. of Mathematics, Romanian Academy(罗马尼亚科学院数学研究所)
本文提出了一种基于哈密顿方法的正则化和惩罚技术,用于解决变分不等式中带有点观测的形状和拓扑优化问题,并通过数值示例验证了方法的有效性。
2025-08-28 math.OC
Optimality Conditions for Bilevel Imaging Learning Problems with Total Variation Regularization
研究了全变差图像去噪中尺度相关的最优参数学习问题。这样的问题制定为双层优化实例与全变差去噪问题作为较低级别的约束。对于二层问题,我们能够推导出M-平稳性条件,在相应的Mordukhovich广义法锥的特征和验证合适的约束规格条件。在研究了低层解算子的Lipschitz连续性和方向可微性之后,我们还得到了B-平稳性条件。通过适当定义的线性系,给出了解映射的Bouligand次微分的一个特征。基于这一特征,我们提出了一个两阶段的非光滑信赖域算法的两层问题的数值解,并测试计算两个特定的实验设置。
2021-07-16 math.OC
On Discrete Subproblems in Integer Optimal Control with Total Variation Regularization in Two Dimensions
本文分析了源自二维全变差正则化混合整数最优控制信赖域算法的离散整数线性规划子问题,利用多面体顶点结构限制推导出割平面、分支规则与原始启发式算法,在标准求解器中实现了中等规模问题的显著加速。
2025-03-06 math.OC
Model Consistency of the Iterative Regularization of Dual Ascent for Low-Complexity Regularization
本文证明在低复杂度正则化下,迭代正则化在噪声足够小且停止准则适当时具有模型一致性,并展示其局部线性行为,辅以数值模拟验证。
2025-08-07 math.OC
Parallel Proximal Algorithm for Image Restoration Using Hybrid Regularization -- Extended Version
正则化方法已被证明是解决不适定问题的有效方法。然而,在变分恢复方法的背景下,一个具有挑战性的问题仍然存在,这是如何找到一个好的正则化。虽然全变差引入了阶梯效应,但小波域正则化带来了其他伪影,例如振铃。然而,可以通过引入包括不一定作用于相同域(例如,空间和小波变换域)的若干项的混合正则化来找到折衷。我们采用了一个凸优化的框架,其中的标准是最小化分裂在两个以上的条款之和。对于空间域正则化,考虑使用各种梯度滤波器的各向同性或各向异性全变差定义。提出了一个加速版本的并行ProXandom算法来执行最小化。文中还讨论了该算法中邻近算子的计算难点。在泊松数据恢复的背景下进行的数值实验,显示了良好的行为的算法,以及有前途的结果,关于使用混合正则化技术。
2011-10-22 math.OC
Integer optimal control problems with total variation regularization: Optimality conditions and fast solution of subproblems
本文研究带全变差正则化的整数最优控制问题,通过有限维切换点问题推导一阶和二阶局部最优性条件,并提出基于 Bellman 最优性原理的近端梯度算法快速求解离散子问题。
2022-07-12 math.OC
Learning Regularization Parameter-Maps for Variational Image Reconstruction using Deep Neural Networks and Algorithm Unrolling
我们介绍了一种方法,用于快速估计的数据自适应,时空相关的正则化参数映射变分图像重建,专注于全变差(TV)最小化。我们的方法受到使用深度神经网络(NN)的算法展开的最新发展的启发,并依赖于两个不同的子网络。第一个子网络从输入数据中估计正则化参数映射。第二子网络展开迭代算法的$T$迭代,该迭代算法近似地解决了结合先前估计的正则化参数映射的对应TV最小化问题。整个网络以监督学习的方式进行端到端的训练,使用干净损坏的数据对,但关键是不需要访问最佳正则化参数映射的标签。我们证明了一致性的展开计划,显示用于监督学习$Γ$ -收敛的展开能量功能作为$T$趋于无穷大,相应的功能,包括电视最小化问题的精确解地图。我们应用和评估我们的方法在各种大规模和动态的成像问题,其中这些参数的自动计算迄今为止一直具有挑战性:二维动态心脏MRI重建,定量脑MRI重建,低剂量CT和动态图像去噪。所提出的方法一致地提高了电视重建使用标量参数和所获得的参数映射,以及适应每个成像问题和数据的详细功能的保存。虽然正则化参数映射的选择是数据驱动的,并且基于NN,但是所提出的算法是完全可解释的,因为它继承了相应迭代重建方法的属性,其中网络是隐式定义的。
2023-01-14 math.OC
Diffusion Tensor Regularization with Metric Double Integrals
本文提出了一种变分正则化方法用于扩散张量磁共振图像的去噪和修复。我们认为这些图像作为流形值的Sobolev函数,即在无限维的设置,这是适当的定义。正则化泛函被定义为二重积分,它等价于欧几里德环境下的Sobolev半范数。我们扩展了Ciak,Melching和Scherzer的分析“Regularization with Metric二重积分of Functions with Values in a Set of Vectors”,在:Journal of Mathematical Imaging and Vision(2019)中关于变分正则化方法的稳定性和收敛性的唯一性结果,将其应用于扩散张量处理,并在数值示例中使用合成和真实数据验证我们的模型。
2021-06-20 math.OC
Regularization with Metric Double Integrals for Vector Tomography
我们提出了一个家庭的非局部变分正则化方法求解层析问题,其中的解决方案是范围的欧几里得空间的一个封闭的子集的功能,例如,如果该解决方案只达到一个嵌入的子流形的值。最近,在Ciak,Melching和Scherzer的“Regularization with Metric二重积分of Functions with Values in a Set of Vectors”中,在:Journal of Mathematical Imaging and Vision(2019)中,已经分析研究了这种正则化方法,并且已经测试了它们对于基本成像任务(如去噪和修复)的效率。本文研究了用非局部变分方法求解复矢量层析成像问题的解析和数值方法。
2019-11-15 math.OC
Regularization Graphs -- A unified framework for variational regularization of inverse problems
我们介绍和研究了一个广泛的一类正则化泛函不适定逆问题的数学框架:正则化图。正则化图允许使用线性算子和凸泛函作为构建块来构建泛函,通过可以被视为经典无穷卷积算子的推广的算子来组装。这类泛函详尽地涵盖了现有的正则化方法,并且它足够灵活,可以以简单和建设性的方式创建新的方法。我们提供了适定性和收敛结果与建议的一类泛函在一般的设置。此外,我们考虑了一种双层优化方法来从训练数据中学习这种正则化图的最佳权重。我们证明了这种方法能够优化正则化图的结构和复杂性,例如,允许自动选择对给定训练数据最优的正则化器组合。
2021-11-05 math.FA math.OC
A variational model with fractional-order regularization term arising in registration of diffusion tensor image
提出了一种新的扩散张量图像配准的分数阶正则化变分模型。并证明了其解的存在性,从而保证了该模型存在正则解。
2016-11-23 math.CA math.FA math.OC
Augmentation Algorithms for Integer Programs with Total Variation-like Regularization
本文利用Graver基刻画图上的诱导连通子图,为带全变差类正则化的整数规划设计精确算法和随机启发式算法,实验表明其性能优于现有整数规划求解器。
2025-08-20 math.OC
Wasserstein Distributionally Robust Optimization and Variation Regularization
University of Texas at Austin(德克萨斯大学奥斯汀分校);New York University(纽约大学);Georgia Institute of Technology(佐治亚理工学院)
Wasserstein分布鲁棒优化(DRO)最近在运筹学和机器学习的各种应用中取得了经验上的成功,部分原因是它的正则化效应。虽然Wasserstein DRO和正则化之间的联系已经建立在几个设置,现有的结果往往需要限制性的假设,如光滑性或凸性,这是不满意的许多问题。在本文中,我们开发了一个一般理论的变化正则化效果的Wasserstein DRO -一种新的形式的正则化,推广总变差正则化,Lipschitz正则化和梯度正则化。我们的结果涵盖可能的非凸和非光滑的损失和损失的非欧几里德空间。例子包括多项报童,投资组合选择,线性预测,神经网络,流形学习,泊松过程的强度估计等,作为我们的变分正则化理论的应用,我们得到新的泛化保证对抗性鲁棒学习。
2020-10-30 cs.LG math.OC stat.ML
Regularization in Space-Time Topology Optimization for Multi-Axis Additive Manufacturing
本文提出一种基于虚拟热传导过程的正则化方法,通过局部虚拟热导系数优化伪时间场,确保多轴增材制造中时空拓扑优化的单调性,并在重力和热机械载荷下验证其有效性。
2024-04-10 cs.CE cs.GR math.OC
Dualization and Automatic Distributed Parameter Selection of Total Generalized Variation via Bilevel Optimization
图像重建中的全广义变分(TGV)正则化依赖于广义一阶和二阶导数的无穷卷积类型组合。这有助于避免全变差(TV)正则化的阶梯效应,同时仍然保留图像中的鲜明对比。相关的正则化效果关键取决于两个参数,其适当的调整是一项具有挑战性的任务。在这项工作中,提出了一个双层优化框架,以自动选择这些参数与一个合适的基于几何学的上层目标。该框架允许空间变化的参数,从而能够更好地恢复高细节图像区域。建立了严格的对偶化框架,并在数值解中分别引入了两种求解下层问题即图像重建问题的Newton型方法和两种双层TGV算法。去噪测试证实,自动选择的分布式正则化参数导致一般改进的重建相比,标量参数的结果。
2021-06-24 math.OC
Variational image regularization with Euler's elastica using a discrete gradient scheme
本文研究了无约束非凸优化问题的一个优化算法,其中目标函数的未知量之间具有稀疏连接。该算法是基于应用耗散保持数值积分,伊藤-安倍离散梯度计划,梯度流的目标函数,保证能量减少,无论步长。我们介绍了算法,证明了收敛速度估计的非凸问题的Lipschitz连续梯度,并显示了改进的收敛速度,如果目标函数有稀疏连接之间的未知数。该算法是在串行和并行版本。数值实验表明,该方法在Euler弹性正则化成像问题中有很好的应用,并具有良好的收敛速度,同时与iPiano算法、梯度下降算法和Heavy-ball算法的执行时间进行了比较。
2018-09-25 math.OC
Variational Regularization in Inverse Problems and Machine Learning
Friedrich-Alexander Universität Erlangen-Nürnberg(埃尔朗根-纽伦堡大学)
本文讨论了变分正则化方法的基本结果和最近的发展,为反问题。在一个典型的设置中,我们回顾了获得收敛正则化方案所需的基本性质,并进一步讨论了定量估计的推导,分别需要的成分,如Bregman距离凸泛函。除了为逆问题开发的方法外,我们还将讨论机器学习中的变分正则化,并与经典正则化理论建立一些联系。特别是,我们将讨论重新解释的机器学习问题的正则化理论的框架和重新解释的变分方法的反问题的框架中的风险最小化。此外,我们建立了一些以前未知的Bregman距离的误差估计和泛化误差之间的连接。
2021-12-08 cs.LG cs.NA math.NA
Post-Reconstruction Deconvolution of PET Images by Total Generalized Variation Regularization
正电子发射断层扫描(PET)图像受低分辨率和高噪声的影响,提高图像质量是核医学和放射治疗领域的一项具有挑战性的任务。这项工作提出了一种恢复方法,实现后断层重建的图像和针对临床情况下,原始数据往往是不可访问的。基于反问题方法,我们的贡献介绍了最近开发的总广义变分(TGV)范数正则化PET图像反卷积。此外,我们稳定这个过程与额外的图像约束,如积极性和光度不变性。给出了泊松噪声情况下正则化参数自动更新和调整的判据。在合成数据和真实患者图像上进行实验。
2015-06-16 cs.CV math.OC
Solution Paths of Variational Regularization Methods for Inverse Problems
我们考虑一类一般反问题的变分正则化泛函,其中数据保真度和正则化项分别由Hilbert范数和绝对单齐次泛函的幂给出,正则化参数被解释为人工时间.我们调查的小和大的时间行为的相关解决方案的路径,特别是,证明有限的消亡时的一大类泛函。根据权力,我们还表明,解决方案的路径是有界变化,甚至Lipschitz连续。此外,这将证明,这些模型是“几乎”相互等价的最小化,他们承认。最后,我们应用我们的结果来定义和比较两种不同的非线性谱表示的数据,并表明,只有一个是能够分解的线性组合的非线性本征函数到个人的本征函数。为此,我们还将简要地讨论分段仿射解路径。
2019-10-29 cs.NA math.NA math.OC
Error estimates for variational normal derivatives and Dirichlet control problems with energy regularization
Technische Universität Chemnitz(开姆尼茨工业大学)
本文研究了变分法向导数和带有能量正则化的Dirichlet边界控制问题的有限元近似误差估计,利用加权Sobolev和Hölder空间分析解的正则性,揭示了近似收敛率与几何结构间的关系。
2018-08-03 cs.NA math.AP math.NA
Exact recovery of the support of piecewise constant images via total variation regularization
本文针对含噪线性测量下的分段常数图像恢复问题,证明在全变差正则化方法中,当未知图像由少数简单形状叠加且满足非退化源条件时,低噪声下重建图像保持相同结构,且形状与强度随噪声趋于零而收敛到真值。
2024-03-29 cs.NA eess.SP math.NA
Comment on `Detecting Topology Variations in Networks of Linear Dynamical Systems'
本文针对最近一篇IEEE控制网络系统期刊论文中提出的拓扑变化检测条件中的错误进行评论,指出其中的理论缺陷。
2018-10-04 cs.SY eess.SP eess.SY
Total variation regularization for recovering the spatial source term in a time-fractional diffusion equation
针对时间分数阶扩散方程空间源项反问题的不适定性,提出带TV正则化的最优控制方法,采用全离散近似并证明收敛,设计线性化原始-对偶迭代算法,数值实验验证其在间断解重构上的有效性。
2024-06-21 cs.NA math.NA math.OC
Implementation of an Optimal First-Order Method for Strongly Convex Total Variation Regularization
我们提出了一个实际实施的最佳一阶方法,由于Nesterov,大规模的全变差正则化层析重建,图像去模糊等算法适用于$μ$ -强凸目标函数与$L$ -Lipschitz连续梯度。在Nesterov的框架中,假设$μ$和$L$都是已知的-我们建议纳入机制,以估计本地足够的$μ$和$L$在迭代过程中。该机制也允许应用到非强凸函数。我们讨论了几个一阶方法的迭代复杂性,包括所提出的算法,我们使用一个三维断层扫描问题,比较这些方法的性能。结果表明,对于病态问题的高精度解决,所提出的方法显着优于国家的最先进的一阶方法,也建议的理论结果。
2011-05-18 cs.NA math.NA math.OC
Total variation regularization for manifold-valued data
Helmholtz Center Munich(慕尼黑亥姆霍兹中心);Technische Universität München(慕尼黑工业大学);École Polytechnique Fédérale de Lausanne(洛桑联邦理工学院)
本文考虑流形值数据的全变差最小化问题。我们提出了一个循环邻近点法和并行邻近点法,以尽量减少电视泛函$\ell^p$型数据项在流形的情况下。这些算法是基于迭代测地线平均,这使得他们很容易适用于一个大类的数据流形。作为一个应用程序,我们考虑去噪图像,其值在一个流形。我们将我们的算法应用到扩散张量图像,干涉SAR图像以及球和柱值图像。对于一类Cartan-Hadamard流形(包括扩散张量成像中的数据空间),我们证明了所提出的TV最小化算法收敛到全局最小值。
2013-12-30 cs.CV math.OC physics.med-ph
Regularization of Linear Ill-posed Problems by the Augmented Lagrangian Method and Variational Inequalities
University of Vienna(维也纳大学);Computational Science Center(计算科学中心)
研究增广拉格朗日方法求解线性不适定问题,通过变分不等式方法将收敛率从标准源条件扩展到低阶,并适用于不同距离度量,特别在稀疏促进正则化中导出范数下的收敛率。
2012-04-03 cs.NA math.NA math.OC
Conditional gradients for total variation regularization with PDE constraints: a graph cuts approach
University of Twente(特文特大学)
该研究从凸几何视角研究带TV正则化的PDE约束最优控制极小化问题,推导了全变分单位球极值点相关理论,提出基于几何的高效求解算法并验证了离散解对连续极限解的逼近性。
2024-07-15 cs.NA math.AP math.NA
TGV-based restoration of Poissonian images with automatic estimation of the regularization parameter
受泊松噪声污染的图像恢复问题在许多应用领域都很常见,由于其固有的不适定性,需要正则化技术来解决。这种技术的有效性取决于平衡数据保真度和解的正则性的正则化参数的值。在这里,我们考虑在[SIAM J. Imag. Sci,3(3),492-526,2010],它已经证明了其保留尖锐特征以及平滑过渡变化的能力,并引入了一种用于定义正则化参数值的自动策略。我们解决了相应的最优化问题,通过使用3块版本的ADMM。初步的数值实验支持所提出的方法。
2021-04-29 cs.NA math.NA math.OC
Regularization of ill-posed problems with non-negative solutions
University Duisburg-Essen(杜伊斯堡-埃森大学);Alpen-Adria Universität Klagenfurt(阿尔卑斯-亚得里亚克拉根福大学)
本文综述了用于重构无限维空间中非负解的变分与迭代方法,重点讨论了基于熵最小化或约束的变分方法及涉及投影或非负性保持乘法更新的迭代方法,并指出一些开放性问题。
2018-05-04 cs.NA math.NA math.OC
Bilevel Optimization, Deep Learning and Fractional Laplacian Regularization with Applications in Tomography
George Mason University(乔治梅森大学);Argonne National Laboratory(阿贡国家实验室)
在这项工作中,我们考虑了一个广义的双层优化框架求解反问题。我们引入分数拉普拉斯算子作为正则化算子来提高重建质量,并将其与全变分正则化进行了比较。我们强调,使用分数拉普拉斯算子作为正则化算子的主要优点是,它导致一个线性算子,而不是总变分正则化,这导致一个非线性退化算子。受残差神经网络的启发,为了学习正则化的最优强度和分数拉普拉斯算子的指数,我们开发了一个专用的具有可变深度的双层优化神经网络来求解一般正则化反问题。我们还在神经网络中的激活函数和正则化之间绘制了一些相似之处。我们说明了如何将各种正则化选择纳入我们提出的网络。作为一个例子,我们认为层析重建作为一个模型问题,并显示重建质量的改善,特别是对于有限的数据,通过分数拉普拉斯正则化。我们成功地学习正则化强度和分数指数,通过我们提出的双层优化神经网络。我们观察到分数拉普拉斯正则化优于全变分正则化。在数据有限和嘈杂的情况下,这特别令人鼓舞,也很重要。
2019-07-22 cs.LG cs.NA eess.IV
Large Noise in Variational Regularization
Institut für Numerische und Angewandte Mathematik, Westfälische Wilhelms-Universität (WWU) Münster(应用与数值数学研究所,明斯特西法利西亚·威廉大学);Department of Mathematics and Statistics, University of Helsinki(赫尔辛基大学数学与统计系);Cantab Capital institute, Faculty of Mathematics, University of Cambridge(剑桥大学数学学院坎塔资本研究所)
本文研究了逆问题中大噪声的变分正则化方法,提出Banach空间框架以处理更一般的噪声,推导了正则化问题的存在性和误差估计,特别针对一阶和p-齐次正则化函数。
2018-02-08 cs.NA math.NA math.OC
On the Stable Resolution Limit of Total Variation Regularization for Spike Deconvolution
尖峰反卷积的目的是从点源与点扩展函数(PSF)的卷积中恢复点源,已知尖峰反卷积的稳定性与这些源之间的分离有关。当观测值有噪声时,关键是要确保支持稳定性,其中反卷积不会导致点源的虚假或相反的丢失估计。本文研究了基于全变分正则化的凸优化方法Beurling-LASSO估计稳定恢复两个相邻点源支持度的分辨率极限。我们建立了一个充分的分离源之间的标准,只依赖于点扩散函数,Beurling-LASSO估计器是保证返回一个稳定的点源估计,与地面真理的估计元素的数量相同。我们的研究结果突出了PSF在噪声环境中对分辨率限制的影响,这在以前的无噪声环境研究中并不明显。接近尾声,我们表明,同样的分辨率限制适用于解决两个位置接近的源结合其他分离良好的源。
2020-03-10 cs.IT eess.SP math.IT