Apr, 2019

计算成像反问题的变分推断

PDF
TL;DR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。
machine learningbayesian modelsvariational inferenceimaging inverse problemsexperimental optics
发现论文，激发创造
  • 变分和机器学习逆问题方法的稳健性和探索性研究综述

    本文概述了目前采用变分方法和机器学习解决成像反问题的方法。重点关注点估计器及其对抗扰动的鲁棒性，并通过数值实验的结果验证了不同方法的鲁棒性和理论保证的实证。此外，还探讨了显式引导数据一致解子空间来满足特定语义或纹理属性的研究。

    Feb, 2024

  • 学习如何解决贝叶斯反问题：一种分摊变分推断方法

    本文提出了一种基于深度神经网络参数化的先验分布方法，通过学习贝叶斯逆映射实现了实时推理。经过基准问题的验证，该方法的后验估计与马尔可夫链蒙特卡罗方法的对应结果一致，并在前向传递神经网络的代价下提供了观测的后验参数。

    May, 2023

  • 关于无需训练数据的图像重建不确定性的量化

    计算成像在确定稀疏测量中的隐藏信息方面起着重要的作用。我们提出了一种深度变分框架，利用深度生成模型来学习近似后验分布，以有效量化图像重建的不确定性，无需训练数据。我们通过使用基于流的模型参数化目标后验并最小化它们的 KL 散度来实现准确的不确定性估计。我们还引入了具有双向正则化的强大流模型，以增强稳定性，并通过梯度增强来增强表达能力。此外，我们还通过填充设计方法在潜在先验空间和目标后验空间实现了显著的方差减少。我们在几个基准任务和两个真实世界应用（即快速 MRI 和黑洞图像重建）上验证了我们的方法。我们的结果表明，我们的方法能够提供可靠且高质量的图像重建以及强大的不确定性估计。

    Nov, 2023

  • 使用生成模型进行不确定性量化

    本文提出了一种基于生成模型的贝叶斯逆问题方法，特别针对图像重建中的噪声和不完整图像，并解决了贝叶斯重建中遇到的常见问题：使用包含所有可用信息的复杂数据驱动先验，并在潜在空间和数据空间中进行可计算的不确定性量化。

    Oct, 2019

  • 逆问题中的对抗正则化器

    该论文提出了一种新的框架，利用神经网络作为正则化函数，将数据驱动方法应用于逆问题解决，该算法可以在没有监督训练数据的情况下应用于逆问题，并在 BSDS 数据集上显示了去噪和在 LIDC 数据集上显示了计算机断层扫描重建的潜力。

    May, 2018

  • 深度贝叶斯模型的改进变分推理

    深度学习和贝叶斯深度学习使用变分推断和边缘似然来进行后验推理和模型选择。

    Jan, 2024

  • 变分推断的进展

    本文综述了变分推断中的最新趋势，介绍了标准的均值场变分推断，然后回顾了最近的进展，包括可扩展的 VI，通用的 VI，准确的 VI 以及摊余的 VI，并提供有关未来研究方向的总结。

    Nov, 2017

  • 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

  • 成像中逆问题的深度学习技术

    探讨了深度神经网络在解决计算成像中出现的广泛逆问题方面的应用，提出了一种可以用于将不同问题和重建方法分类的分类法，并讨论了各种重建方法的权衡及其困难点、常见失败模式、未来研究的开放问题和途径。

    May, 2020

  • 深度概率成像：计算成像的不确定性量化与多模态解决方案表征

    该研究提出了一种利用未经训练的深度生成模型估计未观察图像的后验分布的方法，从而量化重建不确定性。这种方法不需要训练数据，而是优化神经网络的权重以生成适合特定测量数据集的图像样本，通过这种方法，在干涉射电成像和压缩感知磁共振成像等领域得出了实证结果。

    Oct, 2020