【摘要】：本节中的数值实验使用文献［197］中的标准CDL训练图像集合，其每一张图像都被转换为灰度图并且进行局部对比度归一化处理。实验的目的是学习100个10×10的卷积核。本章提出的PCDL1和PCDL2算法与如下的CDL算法进行比较。Fast and Flexible CSC，使用ADMM的有模板CDL算法。Consensus CSC，使用Consensus ADMM的有模板CDL算法。BPG_M［202］，使用Block Proximal Gradient方法的有模板CDL算法。Local Block Coordinate Descent CSC，基于图像块操作的在线CDL算法，使用随机梯度下降优化算法。
本节中的数值实验使用文献［197］中的标准CDL训练图像集合，其每一张图像都被转换为灰度图并且进行局部对比度归一化处理。实验的目的是学习100个10×10的卷积核。本章提出的PCDL1和PCDL2算法与如下的CDL算法进行比较。
（1）Fast and Flexible CSC（FFCSC［197］），使用ADMM的有模板CDL算法。
（2）Consensus CSC（CCSC［196］），使用Consensus ADMM的有模板CDL算法。
（3）Online CSC（OCSC［217］），使用ADMM的无模板在线CDL算法。
（4）Convolutional Basis Pursuit DeNoising（CBPDN［201］），使用迭代Sherman－Morrison的有模板CDL算法。(www.xing528.com)
（5）BPG_M［202］（其最快的多变量块版本），使用Block Proximal Gradient方法的有模板CDL算法。
（6）Local Block Coordinate Descent CSC（LoBCoD［218］），基于图像块操作的在线CDL算法，使用随机梯度下降优化算法。
为公平比较，所有算法都输入相同的随机初始化卷积核与系数图。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
