پردازش تُنُک سیگنال ها به عنوان ابزاری قدرتمند و جایگزینی کارآ برای تبدیلات کلاسیک کامل طی دهه ی اخیر به شدت مورد توجه قرار گرفته است. در این رهیافت می خواهیم از بین تعداد زیادی سیگنال پایه، که در حالت کلی تعدادشان خیلی بیشتر از بعدشان است، کم ترین تعداد را برای نمایش یک سیگنال انتخاب کنیم. هر سیگنال پایه یک «اتم» و مجموعه ی این اتم ها یک «دیکشنری» نامیده می شود. این عمل در حالت کلی دشوار بوده و جزء مسائل np-hard است؛ چرا که نیازمند یک جستجوی ترکیباتی است. در سال های اخیر اما با ارائه ی پشتوانه های تئوریک و معرفی الگوریتم های عملی نشان داده شده است که تنک ترین نمایش یک سیگنال در یک دیکشنری فوق کامل تحت شرایطی یکتا بوده و می توان این جواب را در زمان محدود به دست آورد. به این ترتیب این مبحث به سرعت در کاربردهای گوناگون پردازش سیگنال از جمله فشرده سازی داده ها، جداسازی کور منابع، بهبود تصاویر، تصویر برداری پزشکی، تشخیص الگو و ... مورد استفاده قرار گرفت. دو مسأله ی مهم در پردازش تُنُک وجود دارد. یکی از این مسائل، پیدا کردن یک دیکشنری فوق کامل مناسب برای یک کلاس مشخص از داده ها است؛ یعنی دیکشنری ای که بتواند برای همه ی سیگنال های آن کلاس، یک نمایش به اندازه کافی تُنُک ارائه دهد. این موضوع منجر به توسعه ی الگوریتم های آموزش دیکشنری شده است. مسأله ی دوم داشتن یک الگوریتم کارآ برای به دست آوردن تنک ترین نمایش سیگنال (یا کدینگ تُنُک سیگنال) است. این مسأله نیز منجر به معرفی الگوریتم های زیادی برای این منظور شده است.