我们最近进行了一项关于信号过滤/分量分离（稀疏信号/趋势/噪声）的工作。成本函数包含：
- 二次数据保真度项，
- 一些平滑稀疏性和积极性促进的术语。
这最初是为高斯噪声设计的，并且表现令人满意。审稿人要求在具有泊松噪声的相同信号上测试该算法，该算法也表现良好。
在许多涉及泊松-高斯噪声混合的作品中，作者通常使用更多涉及的惩罚函数和/或使用方差稳定变换（例如 Anscombe 的）。
向不同的信号处理人员展示这项工作时，几位同事（信号和图像人员同等）表示，他们“并不惊讶”简单的二次项也能很好地处理泊松噪声。
由于我不像常客那样是理论家，而且贝叶斯（远）比常客少，我不明白高斯和泊松扰动相对良好行为背后的原因。
读者可以在这个“不意外”背后提供实际或理论提示吗？
