ICLRDec, 2014

自然图像的局部低维性

PDF
TL;DR本文提出了一种新的基于统计模型的图像描述方法，其中利用线性滤波器组的局部响应共同服从零均值的高斯分布，协方差在空间位置上变化缓慢。文章通过优化一组滤波器，以最小化其本地激活矩阵（即奇异值之和），从而鼓励一种灵活的稀疏形式，同时也使其不依赖于任何特定的词典或坐标系统，实现了图像近乎完美的重构，具有很好的噪声去除、压缩和纹理表示能力。
statistical modellinear filterssparsityfilter response covariancestexture representation
发现论文，激发创造
  • 从成对相关性推断出本地结构

    研究多元复杂系统的建模，利用局部结构检测与变量的成对相关性推断数据的维度和像素排列，辅助现代基于注意力机制的机器学习方法的成功实现。

    May, 2023

  • 学习滤波器稀疏变换

    本论文提出了一个新的变换学习框架，其中稀疏变换是一个不可降采样的完美重构滤波器组设定，数值结果表明，滤波器组变换优于现有的基于图像块变换学习方法，同时在设计过程中具有额外的灵活性。

    Mar, 2018

  • 稀疏广义线性模型的大规模变分推断和实验设计

    本文介绍了一种基于贝叶斯思想的算法框架，通过查询稀疏线性模型后验协方差来解决高阶贝叶斯决策问题，并且利用该算法框架成功地推动了磁共振成像的采样轨迹优化，为实际图像的压缩感知提供了新的启示。

    Oct, 2008

  • 使用展开网络进行聚类归纳偏差

    在这篇论文中，我们提出了一种自动编码器架构（WLSC），其潜在表示通过二分图的拉普拉斯二次形式实现了隐式的、本地的谱聚类，生成了一组多样的人工感受野，与 V1 的灵长类动物数据具有相近的一致性，而且也展示了我们的正则化可以被解释为感受野对特定刺激类别的早期专门化，即我们为之后的皮质阶段引入了弱的聚类偏差，这是已知的功能性和空间分离（即拓扑）发生的地方。这些结果表明，在对 V1 及其之后的特征分离进行描述时，对感受野和放电率进行空间正则化至关重要。

    Nov, 2023

  • 在卷积师生场景中，本地性击败了维度诅咒

    本文研究了以 ` 卷积 ' 内核为基础的教师 - 学生框架的核回归，使用物理学的启发式方法发现在无偏估计情况下，当教师的过滤器尺寸小于学生时，局部性是决定学习曲线指数 $\beta$ 的关键因素，而平移不变性则不是关键因素。

    Jun, 2021

  • 稀疏编码在图像处理中的统计效率 (或者，一个 Gabor 王者归来)

    通过分离图像的变异因子，我们提出了一种基于 Gabor-like 滤波器的模型，在学习过程中达到更高的统计效率和更好的压缩性能，仅使用单个字典元素就可以优于标准稀疏编码，较好地解决了传统稀疏编码过度冗余的问题。

    Sep, 2011

  • 滤波像素潜变量用于体积图像解混

    通过应用带通滤波器到多维卷积神经网络的潜在空间，我们提出了一种新的方法来分离重叠的信号成分并提取它们的相对贡献，成功地应用于荧光寿命显微镜和光纤模式分解等实验物理问题，突显了我们方法在解决各种成像任务中的多功能性。

    Dec, 2023

  • 图像分析的本地无监督学习

    本文提出了一种局部学习算法，结合图像数据和卷积滤波器、块归一化和非线性方法，可以成功地对 CIFAR-10 和 ImageNet 32x32 数据集进行分类，并展示了有关如何使用无标签数据从中学习通用表示的成功转移学习案例。

    Aug, 2019

  • 通过低秩局部连接重新审视空间不变性

    为了测试假设认为部分放松空间不变性能够提供一个更好的归纳偏置，本文设计了一种方法来以可控的方式放松神经网络层的空间不变性。实验中发现，相比于卷积层和局部连接层，放松空间不变性能够在 MNIST，CIFAR-10 和 CelebA 数据集上改善分类精度，因此暗示空间不变性可能是一种过度限制的先验。

    Feb, 2020

  • 通过低秩高斯混合模型进行压缩感知

    本文提出了一种利用高斯混合模型进行压缩感知反演的算法，通过在局部图像块上施加低秩 GMM，迭代更新 GMM 及测量数据的投影矩阵，同时提出了低秩 PLE 算法，在模拟数据和真实数据上取得了较好的重建效果。

    Aug, 2015