用于稀疏表示的 split-and-merge 字典学习算法：图像去噪应用

基于摘要分析。本文研究大规模图像／视频数据因存储与计算限制而无法一次性处理时，如何学习用于稀疏表示的过完备字典，提出利用训练数据聚类结构的 split-and-merge 分治算法，并以图像去噪检验训练效率与任务性能。 核心机制是将训练集划分为较小的簇，分别学习局部字典，再以这些局部字典的原子作为输入，求解另一个字典学习问题，形成全局字典。合并步骤因此不是简单拼接，而是再次学习字典；其适用性依赖于数据的可聚类结构，以及局部字典原子能否保留全局稀疏表示所需的信息。 作者报告，相比一次使用完整训练集的标准学习策略，该方法在内存使用和计算复杂度方面更高效；在图像去噪应用中，训练时间明显减少，去噪性能未受到显著影响。摘要未提供数据集、样本规模、聚类方法、字典大小、稀疏编码求解方式、去噪指标或具体数值，实验协议、消融及统计信息尚未验证，也无法据此确定效率收益的适用规模。 平台推测（待验证）：若 EEG 片段或时频特征具有可利用的聚类结构，该机制可能缓解大规模稀疏字典训练的内存瓶颈。可复用局部学习与字典合并流程，但需改造输入表示、聚类准则及信号重建约束；低信噪比可能使聚类受伪迹主导，跨被试与通道差异可能使局部原子难以合并，小数据下分簇也可能降低字典稳定性。一个可检验的小实验是在固定 EEG 数据划分、最终字典大小与稀疏度条件下，对比全量学习和 split-and-merge 的峰值内存、训练时间及留出数据重建误差，先验证资源收益是否伴随表示损失，而非直接声称改善 BCI 解码。已有 EEG 相关工作尚未检索确认。