Let $f$ be a function in $\mathbb R^2$, which has a jump across a smooth curve $\mathcal S$ with nonzero curvature. We consider a family of functions $f_\epsilon$ with jumps across a family of curves $\mathcal S_\epsilon$. Each $\mathcal S_\epsilon$ is an $O(\epsilon)$-size perturbation of $\mathcal S$, which scales like $O(\epsilon^{-1/2})$ along $\mathcal S$. Let $f_\epsilon^{\text{rec}}$ be the reconstruction of $f_\epsilon$ from its discrete Radon transform data, where $\epsilon$ is the data sampling rate. A simple asymptotic (as $\epsilon\to0$) formula to approximate $f_\epsilon^{\text{rec}}$ in any $O(\epsilon)$-size neighborhood of $\mathcal S$ was derived heuristically in an earlier paper of the author. Numerical experiments revealed that the formula is highly accurate even for nonsmooth (i.e., only H{\"o}lder continuous) $\mathcal S_\epsilon$. In this paper we provide a full proof of this result, which says that the magnitude of the error between $f_\epsilon^{\text{rec}}$ and its approximation is $O(\epsilon^{1/2}\ln(1/\epsilon))$. The main assumption is that the level sets of the function $H_0(\cdot,\epsilon)$, which parametrizes the perturbation $\mathcal S\to\mathcal S_\epsilon$, are not too dense.


翻译:美元 美元 美元 美元 美元 美元 美元 美元 美元 美元 美元 美元 美元 美元 美元, 美元 美元, 美元, 美元, 美元, 美元, 美元, 美元, 以 美元, 以 美元, 美元, 以 美元, 以 美元, 以 平滑的曲线 美元, 以 美元, 以 美元, 以 美元, 以 美元 平滑的 美元 。 我们考虑的是, 一个函数 美元 美元, 以 美元 美元 。 美元 美元 以 美元 美元, 以 美元 美元 的 美元, 以 美元 美元 的 美元, 以 美元 美元 为 。 简单的 公式 $ 美元, 以 美元 美元 美元 ( 美元 = = 美元 美元 美元, 美元 美元 。 美元 美元 美元 美元 。 美元 美元 美元 美元 以 美元 以 美元 的 美元 。 美元 。 美元 美元 美元, 以 以 美元 美元 美元 美元 。, 以 以 以 美元 美元 美元 美元 的 。 美元 以, 美元 以 美元 美元 美元, 。 。 美元 美元 美元 。 。 。 。 。 。 。 。 。 。 。 。 。 以 以 以 以 以 以 以 以 以 表示 。 。 。 以 以 以 。 。 。 以 表示 。 。 。 。 。 。 。 。 。 。 以 以 以 以 。 。 以 以 以 以 以 以 以 以 以 以 以 以 以 = 美元 美元 以 以 美元 美元 美元 以 以 以 以 美元 美元 美元 。 美元 美元 。 。 。

0
下载
关闭预览

相关内容

神经常微分方程教程,50页ppt,A brief tutorial on Neural ODEs
专知会员服务
71+阅读 · 2020年8月2日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
VCIP 2022 Call for Special Session Proposals
CCF多媒体专委会
1+阅读 · 2022年4月1日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
IEEE TII Call For Papers
CCF多媒体专委会
3+阅读 · 2022年3月24日
ACM TOMM Call for Papers
CCF多媒体专委会
2+阅读 · 2022年3月23日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
深度自进化聚类:Deep Self-Evolution Clustering
我爱读PAMI
15+阅读 · 2019年4月13日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
【SIGIR2018】五篇对抗训练文章
专知
12+阅读 · 2018年7月9日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
3+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
Arxiv
0+阅读 · 2022年7月25日
VIP会员
相关资讯
VCIP 2022 Call for Special Session Proposals
CCF多媒体专委会
1+阅读 · 2022年4月1日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
IEEE TII Call For Papers
CCF多媒体专委会
3+阅读 · 2022年3月24日
ACM TOMM Call for Papers
CCF多媒体专委会
2+阅读 · 2022年3月23日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
深度自进化聚类:Deep Self-Evolution Clustering
我爱读PAMI
15+阅读 · 2019年4月13日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
【SIGIR2018】五篇对抗训练文章
专知
12+阅读 · 2018年7月9日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
3+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
Top
微信扫码咨询专知VIP会员