Apr, 2019

深度图像先验的贝叶斯视角

HTML
PDF
TL;DR本文介绍了自然图像的一种先验算法——深度图像先验，它使用卷积神经网络对随机输入进行输出，通过使用梯度下降来调整网络参数以使输出匹配观测值。该方法在一系列图像重建任务中表现良好。同时通过推导得出结论，该算法渐近等于一个平稳的高斯过程，这启发了贝叶斯推断的方法。通过使用随机梯度Langevin对后验推断实现去除过早终止的需要，并在去噪和修补任务中提高了结果表现。我们在一些一维和二维信号重建任务中验证了这些算法的实用价值。
发现论文，激发创造
  • 图像恢复的深度均移先验

    本文提出了一种自然图像先验，直接代表了自然图像分布的高斯平滑版本，包括在基于Bayes估计量的图像恢复公式中，可用于解决噪声失真的图像恢复问题，利用去噪自编码器学习均值漂移向量场，再应用于Bayes风险最小化的梯度下降法，成功实现了媲美竞争者的噪声盲去模糊、超分辨率和去马赛克结果。

    Sep, 2017

  • 基于贝叶斯深度卷积编码-解码网络的代理建模和不确定性量化

    本文提出了一种使用卷积神经网络实现的关于具有随机偏微分方程的不确定性建模的代理模型，该方法使用变分梯度下降算法对参数进行“近似贝叶斯推断”，可以在处理不确定性时实现和其他方法相比具有最先进的预测精度和不确定性量化，即使训练数据量相对较小，也能获得非常好的性能。

    Jan, 2018

  • 无预训练网络先验的反演成像的算法保证

    本文研究了使用未经过训练的深度神经网络先验条件下的线性反演问题，包括压缩感知和相位恢复，并提出了基于梯度下降的算法以及证明了其收敛性。同时，本文还展示了相比于手工制作的先验条件，使用深度神经网络先验条件可以在相同的图像质量下实现更好的压缩率。

    Jun, 2019

  • 使用降噪器中隐式的先验信息解决线性反问题

    本文提出了一种利用深度神经网络模型中的隐式先验进行线性反问题求解的方法，借助宫澤统计学理论和随机梯度上升算法，在去噪、去模糊、插值和压缩感知等方面取得了最先进的非监督性能水平。

    Jul, 2020

  • 贝叶斯深度图像先验下的医学图像去噪中的不确定性估计

    通过随机初始化卷积网络对图像进行参数化并执行梯度下降，以匹配观察结果的方法来量化反向医学成像任务中的不确定性，扩展到带有蒙特卡罗失活的贝叶斯方法，实现对预测不确定性的可靠估计，解决了大型数据集上深度神经网络出现幻觉和制品所带来的问题。

    Aug, 2020

  • 贝叶斯深度学习只需要一个好的函数先验

    本文为解决Bayesian深度学习中的先验分布选择困难性问题，提出了一种基于Gaussian processes的新颖的功能先验分布匹配框架，该框架可通过 Markov chain Monte Carlo方法进行可扩展的先验分布采样，从而显著提高了性能。

    Nov, 2020

  • 贝叶斯深度学习中的先验知识综述

    该综述强调了先验选择对贝叶斯深度学习的重要性，并概述了各种先验方法及利用数据进行先验学习方法，以期激励实践者们更加谨慎地思考其模型的先验规范。

    May, 2021

  • 关于测量和控制深度图像先验中的光谱偏差的研究

    本文提出通过引入一种频谱偏差的测量方法，结合控制Lipschitz参数的卷积层和高斯参数的上采样层，可以改善深度图像先验在图像重建上的性能衰减问题，实验结果表明该方法在各种图像处理任务上比现有方法更具优势。

    Jul, 2021

  • 重新思考深度图像先验去噪

    通过有效自由度的分析和“随机时间组合”方法，我们扩展了“深度图像先验”的应用，特别针对去噪问题提出了优化的方案，在保留图像文本细节的同时，性能表现优于以前的方法。

    Aug, 2021

  • 深度学习时代的可扩展贝叶斯推断：从高斯过程到深度神经网络

    本论文介绍了一种将大型神经网络装备上模型的不确定性的方法，并应用了这个方法在ResNet-50和深度图像先验网络上进行了实验。

    Apr, 2024