稀疏贝叶斯学习【Sparse bayesian learning】

参考文献：An Empirical Bayesian Strategy for Solving the Simultaneous Sparse Approximation Problem

传统图像恢复，例如用Gaussian 噪声模型+TV正则，使用的是固定参数，且对整个图像参数一致。

在压缩感知领域也是如此，（在图像恢复方面有正逆之分，例如稀疏采样MRI CT，利用压缩感知原理恢复出理想图像。而另一种则是由非稀疏的图像【被系统传递函数模糊】恢复出稀疏的真实图像，例如超分辨领域STORM，SOFI，光声成像等）其L1范数的值是固定且均匀的，而事实上L1只是SBL的第一步而已。其高斯分布的噪声方差与均值不知且不均匀。

当然SBL并非如此狭隘，其是一种估计隐含参数的一种方法，十分自适应且有效，开始应用于神经网络与SVM中使信号稀疏。

具体重建算法：EM