Compressed sensing with side information on the feasible region

این کتاب در مورد سنجش فشاری در حضور اطلاعات جانبی بحث می‌کند. سنجش فشاری یک تکنیک نوظهور برای به دست آوردن و بازسازی موثر یک سیگنال است. نمونه‌های جالب سنجش فشرده‌سازی (CS) زمانی رخ می‌دهد که، جدای از پراکندگی، اطلاعات جانبی در مورد سیگنال‌های منبع در دسترس باشد. اطلاعات جانبی می تواند در مورد ساختار منبع، توزیع و غیره باشد. چنین مواردی را می توان به عنوان پسوند CS کلاسیک مشاهده کرد. در این موارد، ما علاقه مند هستیم که اطلاعات جانبی را برای بهبود کیفیت بازسازی منبع یا کاهش تعداد نمونه های مورد نیاز برای بازسازی دقیق، ترکیب کنیم. در این کتاب ما در دسترس بودن اطلاعات جانبی در مورد منطقه امکان پذیر را فرض می کنیم. کاربردهای اصلی مورد بررسی عبارتند از رفع تاری تصویر برای تصویربرداری نوری، بازسازی سطح سه بعدی، و بازسازی منابع همبسته فضایی و زمانی. نویسنده نشان می دهد که از اطلاعات جانبی می توان برای بهبود کیفیت بازسازی در مقایسه با حسگر فشرده سازی کلاسیک استفاده کرد. این کتاب برای همه محققانی که در زمینه سنجش فشاری، مشکلات معکوس، و پردازش تصویر کار می کنند، جالب خواهد بود.

This book discusses compressive sensing in the presence of side information. Compressive sensing is an emerging technique for efficiently acquiring and reconstructing a signal. Interesting instances of Compressive Sensing (CS) can occur when, apart from sparsity, side information is available about the source signals. The side information can be about the source structure, distribution, etc. Such cases can be viewed as extensions of the classical CS. In these cases we are interested in incorporating the side information to either improve the quality of the source reconstruction or decrease the number of samples required for accurate reconstruction. In this book we assume availability of side information about the feasible region. The main applications investigated are image deblurring for optical imaging, 3D surface reconstruction, and reconstructing spatiotemporally correlated sources. The author shows that the side information can be used to improve the quality of the reconstruction compared to the classic compressive sensing. The book will be of interest to all researchers working on compressive sensing, inverse problems, and image processing.