Feb, 2014

知情采样器：生成计算机视觉模型中的贝叶斯推断的判别方法

PDF
TL;DR该论文讨论了计算机视觉中生成模型的局限性，提出利用现有的判别式或启发式计算机视觉方法的原则性方法，在具有渲染程序组件的挑战性生成模型上进行实验，并集中研究反转现有图形渲染引擎的问题。
computer visiongenerative modelsposterior inferenceinverse graphicsinformed sampler
发现论文，激发创造
  • 利用贝叶斯神经网络进行面部图像分析的知情 MCMC

    本文研究了利用贝叶斯神经网络提高计算机视觉中后验分布采样的效率，从而减少进行面部图像分析所需样本数量。

    Nov, 2018

  • 基于不确定性量化的生成模型与判别模型对比

    通过对生成法和判别法进行比较分析，研究聚焦于从各种来源获取信息的不确定性感知推断，以及对半监督学习的兼容性，推导出一般的采样方案，从后验预测分布中获得监督学习和半监督学习。

    Jun, 2024

  • 使用生成概率图形程序的近似贝叶斯图像解释

    这篇论文介绍了一个基于概率编程和计算机图形学的方法来解决计算机视觉中的图形逆问题，提出了一种简洁的概率图形程序来定义灵活的生成模型，并自动反演真实世界图像以诠释它们。

    Jun, 2013

  • 结合生成和判别模型的混合推理

    提出一个新的混合模型，该模型将图推断与学习逆模型相结合，用于 Kalman 滤波器并通过交叉验证来平衡图推断和学习推断的工作量，实验表明，该模型可以比独立运行的学习或图推断更准确地估计失真的 Lorenz 吸引子的轨迹。

    Jun, 2019

  • 带有深度生成模型的贝叶斯半监督学习

    这篇研究提出了使用带有随机输入的判别组件来增加噪声灵活性，实现模型的半监督贝叶斯主动学习，并且通过全贝叶斯判别组件实现参数值不确定性的估计。

    Jun, 2017

  • 计算成像反问题的变分推断

    本文介绍了一种新的框架，基于少量实验数据、领域专业知识和现有图像数据集来训练变分推断，使贝叶斯机器学习模型可以在最小数据收集效果下解决成像反问题。经过广泛的模拟实验证明了该方法的优点，并在两个实验光学设置中应用：全息图像重建和通过高度散射介质成像。在两种设置中，都用很少的训练数据，达到了最先进的重建效果。

    Apr, 2019

  • 灵长类动物大脑在视觉中如何结合生成和判别计算？

    视觉被广泛理解为一个推理问题。本文介绍了两种对推理过程的对立概念，分别对生物视觉和机器视觉工程有影响。视觉可以被描述为一种主要是前馈式、区分式的推理过程，通过滤除视觉信息中的无关变化并以适合于认知和行为控制下游功能的格式来表示行为上相关的信息，由感官数据驱动，并且感知是直接的。另一种推理的概念是赫姆霍兹的观点，即视觉是通过对引起视觉的因果过程的生成模型进行证据评估的推理过程。原始证据通过对感觉数据的自上而下的预测来调查其可信度。作者包括科学家根植于这两种概念，并积极尝试克服它们之间可能是错误的二元对立，并在理论和实验证据上探讨另一种视角。灵长类动物大脑采用一种未知的算法，可能结合了这两种概念的优势。我们解释和阐明术语，回顾关键的实验证据，并提出了一个超越二元对立的实证研究计划，为揭示灵长类动物视觉的神秘混合算法铺平了道路。

    Jan, 2024

  • 对抗消息传递用于图形模型

    本文提出了将生成式对抗网络（GANs）视为隐式模型的一种方法，基于生成器和判别器的相互作用弱化了显式的似然值评估，从而在有向无环图的结构模型中实现了贝叶斯后验推理和模型学习。

    Dec, 2016

  • 具有鉴别信息的私有集生成

    本研究提出了一种基于判别信息的生成模型训练方法，通过优化一小部分样本的代表性，以实现高维数据的差分隐私保护，并有效提升了现有生成模型的样本效用。

    Nov, 2022

  • 贝叶斯生成对抗网络

    本研究提出了基于贝叶斯公式的 GAN 模型，通过使用随机梯度哈密顿蒙特卡罗方法边缘化生成器和鉴别器网络的权重，在不需要特征匹配或使用小批量区分等标准干预的情况下，实现半监督和无监督的学习效果，避免了模式崩塌的问题，并在多个基准数据集上取得了最佳性能。

    May, 2017