A Finite Element Nonoverlapping Domain Decomposition Method with Lagrange Multipliers for the Dual Total Variation Minimizations
本文针对数学图像处理中出现的全变差正则化问题,提出了一种原-对偶区域分解方法。通过撕裂连接区域分解将模型问题转化为等价的约束极小化问题。然后,通过引入拉格朗日乘子处理子域界面上的连续性约束。由此产生的鞍点问题是解决的一阶原始对偶法。我们将所提出的方法应用于图像去噪,修复和分割问题,无论是$L^2$ -保真度或$L^1$ -保真度。数值结果表明,所提出的方法优于现有的国家的最先进的方法。
2019-10-28 cs.NA math.NA
An Adaptive Finite Difference Method for Total Variation Minimization
本文提出一种用于图像处理全变差问题的自适应有限差分方法,通过原始对偶间隙误差局部估计生成非均匀网格,并推导二维半光滑牛顿算法求解,实验验证了其适用性。
2024-10-17 cs.NA math.NA
A General Decomposition Method for a Convex Problem Related to Total Variation Minimization
我们认为顺序和并行分解方法的一般全变差最小化问题的对偶问题的应用在几个图像处理任务,如图像修复,估计光流和重建丢失的小波系数。在希尔伯特空间中分析了这些方法对全局问题解的收敛性,并给出了收敛速度。因此,这些收敛结果不仅适用于精确的局部极小化,而且如果子问题只是近似求解。作为近似局部求解过程的一个具体例子,提出并分析了替代技术。此外,所得到的收敛速度与文献中的相关结果进行了比较,并表明是一致的,甚至改进他们。数值实验支持的理论研究结果,并显示所提出的分解算法在图像修复,光流估计和小波修复任务的性能。
2022-10-31 cs.NA math.NA
Subspace correction methods for total variation and $\ell_1-$minimization
本文提出通过交替在正交子空间上最小化能量泛函,并引入斜阈值迭代邻近映射算法,为全变分和ℓ1最小化问题提供了收敛性保证和高效数值方法。
2007-12-13 cs.NA math.AP math.NA
Automated Parameter Selection for Total Variation Minimization in Image Restoration
Institute for Applied Analysis and Numerical Simulation, University of Stuttgart(斯图加特大学应用分析与数值模拟研究所)
本文提出基于偏差原理的自动参数选择算法,用于总变分模型中$ L^τ $数据保真项($ τ∈{1,2} $)的标量或局部变化正则化参数选择,通过多尺度总变分最小化问题解决局部变化参数,并分析了一阶和二阶收敛方法的数值实验结果。
2016-12-30 cs.NA math.NA math.OC
An Overlapping Domain Decomposition Framework without Dual Formulation for Variational Imaging Problems
在本文中,我们提出了一种新的重叠区域分解方法,可应用于各种问题的变分成像,如全变差最小化。目前大多数全变差最小化的区域分解方法都采用Fenchel-Rockafellar对偶,而本文提出的方法是基于原公式的。因此,所提出的方法不仅可以应用于全变差最小化,但也适用于那些复杂的对偶问题,如高阶模型。在所提出的方法中,一个等价的制定与并行结构的模型问题使用自定义重叠区域分解计划的概念,本质域。作为一个求解器的构造制定,我们提出了一个解耦增广拉格朗日方法解开相邻子域的耦合。给出了解耦增广拉格朗日方法的收敛性分析。我们提出了各种模型问题,包括全变差最小化和高阶模型的实施细节和数值例子。
2020-04-09 cs.NA math.NA
Near-optimal compressed sensing guarantees for total variation minimization
Claremont McKenna College(克莱蒙特·麦肯纳学院);University of Texas at Austin(德克萨斯大学奥斯汀分校)
针对多维信号压缩感知重建问题,本文证明通过全变差最小化,从 O(sd*log(N^d)) 个线性测量中可重建信号,误差与梯度最佳 s 项近似成比例,并证明该保证在空间维度 d 上多项式因子内最优。
2013-03-23 cs.CV cs.IT cs.NA
Approximation Theory of Total Variation Minimization for Data Completion
全变差(TV)最小化是现代信号/图像处理中最重要的技术之一,有着广泛的应用。虽然有许多最近的工作在压缩感知的框架中的TV最小化的恢复保证,有很少的工作从部分观测的恢复的恢复保证。本文主要研究了基于随机输入样本的TV恢复算法的误差分析。特别地,我们估计潜在的原始数据和近似解之间的误差,该近似解内插(或根据噪声水平用误差界近似)在所有可能的解中具有最小TV误差的给定数据。最后,我们进一步连接的误差估计的离散模型的稀疏梯度恢复问题和近似的基本功能,从底层的真实数据。
2022-07-15 cs.NA math.AP math.NA
Convergence analysis for a primal-dual monotone + skew splitting algorithm with applications to total variation minimization
Faculty of Mathematics, Chemnitz University of Technology(德累斯顿工业大学数学系)
本文分析了Combettes和Pesquet提出的原始-对偶分裂方法在求解复合、Lipschitz和并行和类型算子单调包含问题时的收敛行为,通过共轭对偶技术推导了凸最小化问题中目标函数值的收敛速率,并提出了两种加速原始和/或对偶迭代的新方案,最后应用于全变差正则化的图像恢复问题。
2012-11-07 cs.NA math.NA math.OC
Shrinkage Rules for Variational Minimization Problems and Applications to Analytical Ultracentrifugation
针对带l_q稀疏约束的变分最小化问题,提出q依赖的收缩规则闭式解,并应用于分析超速离心中的Landweber迭代,获得更稀疏、高分辨率的解。
2010-12-30 cs.NA math.NA
Enhanced total variation minimization for stable image reconstruction
Southwestern University of Finance and Economics(西南财经大学);The University of Hong Kong(香港大学)
该研究提出将反向扩散过程与全变分正则化结合的增强型TV最小化模型,建立了其在含噪欠采样下的稳定重建保证,证明其在高噪声少测量场景下误差界更紧,并通过实验验证了优势。
2022-08-19 cs.CV cs.IT cs.NA
Adversarial Defense via Data Dependent Activation Function and Total Variation Minimization
University of Utah(犹他大学);University of California, Los Angeles(加州大学洛杉矶分校);Duke University(杜克大学)
我们通过使用插值函数作为输出激活来提高深度神经网络(DNN)对对抗攻击的鲁棒性。这种依赖于数据的激活显著提高了DNN的泛化能力和鲁棒性。在CIFAR10基准测试中,我们将对抗训练的ResNet20的鲁棒准确性从$\sim 46\%$提高到$\sim 69\%$,基于最先进的迭代快速梯度符号方法(IFGSM)的对抗攻击。当我们将这种依赖于数据的激活与对抗图像的总变差最小化和训练数据增强相结合时,在最强的IFGSM攻击下,ResNet 56的鲁棒准确率提高了38.9 $\%$。此外,我们通过分析特征空间的几何形状,对我们的防御提供了一个直观的解释。
2020-04-29 cs.LG cs.NA math.NA
A primal-dual adaptive finite element method for total variation minimization
本文将原始-对偶半光滑 Newton 方法扩展为自适应有限元格式,利用后验误差指标和像素插值解决 $L^1$-$L^2$-$TV$ 最小化,并在图像修复与光流估计中实现显著加速。
2025-02-18 cs.NA math.NA
Explicit a posteriori error representation for variational problems and application to TV-minimization
本文利用凸对偶关系与离散正交性,提出凸最小化问题的显式后验误差表示方法,并结合Rudin-Osher-Fatemi模型构建了具有拟最优线性收敛速率的自适应算法。
2023-07-08 cs.NA math.NA math.OC
On-the-fly Approximation of Multivariate Total Variation Minimization
ENS Lyon(里昂高等师范学院);GIPSA-lab(格勒诺布尔图像、信号、自动化与控制实验室);University of Grenoble(格勒诺布尔大学)
本文提出一种实时多变量总变分最小化算法,通过局部验证对偶问题的KKT条件,实现高质量近似解,兼顾精度与计算成本。
2016-08-28 cs.LG cs.NA math.NA
Stable Image Reconstruction via Two-Parameter Power-Scale Variation Minimization
提出双参数功率尺度变分(PSV)最小化方法,在RIP框架下实现梯度与图像域的稳定重建,并设计IRLSPSV算法,实验验证其优越性能与广泛适用性。
2026-06-23 cs.IT cs.NA math.FA
Fundamental Theory and R-linear Convergence of Stretch Energy Minimization for Equiareal parameterizations
本文首先利用球极平面投影将有限畸变问题从$\mathbb{R}^2$中的有界域推广到$\mathbb{R}^3$中的闭亏格零曲面上。然后通过最小化$\overline{\mathbb{C}}$上的总面积畸变能,得到了单连通闭曲面$\mathcal{M}$与单位球面$\mathbb{S}^2$之间的球面等面积参数化的理论基础.如果我们确定总面积畸变能的极小值,则由初始共形映射构成的极小值决定了扩展平面之间的等面积映射。采用逆赤平球极平面投影,我们可以导出$\mathcal{M}$和$\mathbb{S}^2$之间的等积映射。总面积畸变能量可以重写为分别与南半球和北半球相关联的狄利克雷能量之和,并且可以通过交替求解相应的拉普拉斯方程来减小。基于这一基本理论,我们发展了一种改进的拉伸能量最小化方法,用于计算$\mathcal{M}$和$\mathbb{S}^2$之间的球面等面积参数化。此外,在适当的条件下,我们证明了所提出的算法具有渐近R-线性收敛或形成拟周期解。各种基准上的数值实验验证了收敛的假设始终成立,并表明所开发的修改拉伸能量最小化的效率,可靠性和鲁棒性。
2022-07-28 cs.NA math.NA
Primal-Dual Reduced Basis Methods for Convex Minimization Variational Problems: Robust True Solution A Posteriori Error Certification and Adaptive Greedy Algorithms
本文以参数对称强制椭圆边值问题为例,发展了具有鲁棒真误差证明的原-对偶变分问题,并讨论了三种贪婪算法来平衡有限元误差、精确约化基误差和自适应网格加密.对于一类凸极小化变分问题,当其对偶问题满足强对偶性时,原泛函与对偶泛函之间的原-对偶间隙可作为后验误差估计.这种原始-对偶间隙误差估计器对问题的参数是鲁棒的,它可以用于有限元法的网格加密和真实RB误差的验证。借助分部积分公式,利用共轭函数和拉格朗日理论,建立了具有非齐次边界条件的对称强制椭圆边值问题的原对偶变分理论.一个广义Prager-Synge身份,这是这个特定问题的原始-对偶间隙误差表示,开发。RBM的原始和对偶问题的鲁棒误差估计。对偶变分问题通常可以看作是一个约束最优化问题。本文通过构造满足齐次约束的RB空间,将对偶RBM作为一个Galerkin投影来处理,从而不同于标准的鞍点有限元逼近。受\cite{Yano:18}空间参数自适应贪婪算法的启发,讨论了原-对偶有限元和缩减基误差估计的自适应平衡贪婪算法。数值试验,以测试PD-RBM与自适应平衡贪婪算法。
2020-09-17 cs.NA math.NA
Error estimates of residual minimization using neural networks for linear PDEs
本研究提出一个抽象框架,用以分析可行解为神经网络时基于残差最小化的最小二乘方法的收敛性,推导了强弱形式下连续与离散残差最小化的误差估计,覆盖了新近的物理信息神经网络相关公式。
2023-10-03 cs.NA math.NA
A uniform preconditioner for a Newton algorithm for total-variation minimization and minimum-surface problems
Rudin-Osher-Fatemi(ROF)模型和最小曲面模型的非线性偏微分方程的求解方法是许多现代应用的基础。已经提出了许多有效的算法。一阶方法是常见的。它们因其简单和易于实现而受欢迎。一些二阶牛顿型迭代法已经被提出,如Chan-Golub-Mulet方法。在本文中,我们提出了一个新的牛顿Krylov求解器的原始-对偶有限元离散的ROF模型。该方法是如此简单,我们只需要在迭代过程中使用一些对角预条件。从理论上进一步证明了所提出的预条件子对网格步长、惩罚参数、正则化参数和迭代步长具有鲁棒性和最优性,本质上是一个参数无关的预条件子。首先用混合有限元法离散原对偶系统,然后用牛顿\textquoteright方法线性化离散系统。利用线性化问题在适当的索伯列夫空间上的适定性,我们提出了相应系统的块对角预条件子,并利用最小残差法求解.数值结果支持理论结果。
2022-08-02 cs.NA math.NA
XiSort: Deterministic Sorting via IEEE-754 Total Ordering and Entropy Minimization
本研究提出基于IEEE-754全序与熵最小化的确定性浮点排序算法XiSort,支持内存与外存运行,具备可证明收敛性与符号幂等性,吞吐量表现优异,可用于科学计算、高频金融等领域的跨平台可复现排序。
2025-05-17 cs.DS cs.IT cs.NA
Nonconforming discretizations of convex minimization problems and precise relations to mixed methods
本文讨论了凸极小化问题的离散有限元法,系统地导出了对偶混合格式。对偶关系导致简单的误差估计,避免了显式处理的不一致性错误。一个重建公式提供了离散的解决方案的对偶问题,通过一个简单的后处理过程,这意味着一个强大的对偶关系,并在后验误差估计的兴趣。该框架适用于可微和非光滑问题,例如$p$ -Laplace,全变差正则化和障碍问题。数值实验表明,该方法优于标准协调方法。
2020-02-06 cs.NA math.NA
Explicit and efficient error estimation for convex minimization problems
我们结合了一个系统的方法,推导出一般的后验误差估计凸最小化问题的基础上凸对偶关系与最近推导出的广义Marini公式。后验误差估计基本上是常数自由的,并适用于一大类变分问题,包括$p$ -狄利克雷问题,以及退化最小化,障碍和图像去噪问题。此外,这些后验误差估计是基于与给定的非一致有限元解的比较。对于$p$ -狄利克雷问题,这些后验误差界等价于残差型后验误差界,因此是可靠和有效的。
2022-04-22 cs.NA math.NA
Linear convergence of a one-cut conditional gradient method for total variation regularization
University of Twente(特温特大学);Humboldt-Universität zu Berlin(柏林洪堡大学)
本文提出了一种总变分正则化的单次切割条件梯度方法,证明其在二维设置下的线性收敛性,并通过数值实验验证了其收敛行为。
2026-08-13 cs.NA math.NA math.OC