零范数梯度正则化方法及应用
| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 1 绪论 | 第16-35页 |
| 1.1 稀疏正则化 | 第17-18页 |
| 1.1.1 稀疏编码 | 第17页 |
| 1.1.2 字典学习 | 第17-18页 |
| 1.1.3 稀疏梯度正则化 | 第18页 |
| 1.2 稀疏正则化的应用 | 第18-28页 |
| 1.2.1 在图像处理中的应用 | 第18-23页 |
| 1.2.2 在几何处理中的应用 | 第23-28页 |
| 1.3 l_0范数梯度正则化 | 第28-33页 |
1.3.1 l_1范数、l_p(0| 第28-30页 | |
| 1.3.2 l_0范数梯度正则化的定义 | 第30-32页 |
| 1.3.3 l_0范数梯度正则化的研究现状及挑战 | 第32-33页 |
| 1.4 本文工作 | 第33-34页 |
| 1.5 本文章节安排 | 第34-35页 |
| 2 一种新的l_0范数梯度正则化近似解法 | 第35-55页 |
| 2.1 交替优化算法 | 第36-37页 |
| 2.2 融合坐标下降算法 | 第37-40页 |
| 2.3 实验和比较 | 第40-43页 |
| 2.4 保边缘的图像平滑 | 第43-51页 |
| 2.4.1 问题建模与求解 | 第43-45页 |
| 2.4.2 实验和比较 | 第45-51页 |
| 2.5 保特征的网格模型平滑 | 第51-54页 |
| 2.5.1 问题建模与求解 | 第51-52页 |
| 2.5.2 实验和比较 | 第52-54页 |
| 2.6 本章小节 | 第54-55页 |
| 3 基于l_0范数梯度正则化的视频分割 | 第55-72页 |
| 3.1 相关工作 | 第56-57页 |
| 3.2 l_0视频分割 | 第57-63页 |
| 3.2.1 l_0视频分割方法的框架 | 第58-59页 |
| 3.2.2 尺度加权的l_0范数梯度正则化 | 第59-61页 |
| 3.2.3 基于融合坐标下降的解法 | 第61-63页 |
| 3.3 实验和比较 | 第63-69页 |
| 3.3.1 实现细节 | 第63-65页 |
| 3.3.2 在LIBSVX上的评测和比较 | 第65-69页 |
| 3.4 应用 | 第69-71页 |
| 3.4.1 三维重建 | 第69页 |
| 3.4.2 视频风格化 | 第69-71页 |
| 3.5 本章小结 | 第71-72页 |
| 4 基于l_0范数梯度正则化的点云重采样 | 第72-91页 |
| 4.1 相关工作 | 第74-75页 |
| 4.2 l_0点云重采样 | 第75-79页 |
| 4.2.1 法向滤波 | 第75页 |
| 4.2.2 l_0重采样 | 第75-78页 |
| 4.2.3 交替优化 | 第78-79页 |
| 4.3 加速的l_0点云重采样 | 第79-83页 |
| 4.3.1 基于优化的局部半采样 | 第80-83页 |
| 4.3.2 交叉正则化 | 第83页 |
| 4.4 实验与比较 | 第83-89页 |
| 4.5 局限性 | 第89页 |
| 4.6 本章小结 | 第89-91页 |
| 5 总结与展望 | 第91-93页 |
| 5.1 本文工作的总结 | 第91页 |
| 5.2 未来工作展望 | 第91-93页 |
| 参考文献 | 第93-102页 |
| 攻读博士学位期间主要研究成果 | 第102-103页 |
| 致谢 | 第103页 |
