本文提出了一种基于流模型的方法来估计条件密度并解决逆问题,并通过实验验证其在产生高质量样本和不确定性量化方面的有效性。
Feb, 2020
本文介绍了将数据模型应用于贝叶斯推断的兰日文采样算法的一种技术,该算法需要一个预先训练好的正则化流作为先验,并分别分析了贝叶斯解决方案的合理性和 NF-ULA 算法的非渐近收敛性。实验结果表明,该方法适用于图像去模糊、补缺失和 X 线断层扫描重建等各种成像问题。
Apr, 2023
介绍了基于 normalizing flow 的强大而精确的噪声模型 Noise Flow,结合了基本参数噪声模型和神经网络的灵活性和表现力。与已有的噪声模型相比,Noise Flow 具有显著的改进,是第一次试图超越简单的参数模型,利用深度学习和数据驱动的噪声分布来建模和综合图像噪声。
Aug, 2019
利用基于流匹配的生成模型解决线性逆问题的迭代算法,通过近似最大后验估计,有效地优化多个局部目标,实现了超分辨率、去模糊、修补缺失和压缩感知等线性逆问题的优于流匹配的方法。
May, 2024
通过使用正则化流和扩散模型,我们提出了 DiNof 技术,以实现更快的采样和更高的样本质量。我们利用正则化流对扩散过程中任意步骤的嘈杂数据进行参数化,并将其用作逆向扩散过程的先验。通过减少总扩散步骤的数量,我们能够加快正向和反向过程,并通过使用确定性和随机映射的方法提高扩散模型的表达能力。实验证明,我们的方法在标准图像生成数据集上具有优势,并在无条件的 CIFAR10 数据集上实现了 FID 为 2.01 和 Inception 得分为 9.96 的表现。
Sep, 2023
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
本文提出了一种通过使用经过改进的有理二次样条耦合层替代条件仿射耦合层的方法,以解决条件归一化流在生成图像样本时出现严重伪影的问题。通过实证和理论分析发现,这些问题是由于条件仿射耦合层中的 “爆炸反演” 导致的,同时提出了一种基于马氏距离的 OOD 得分计算方法用于判断这种情况的出现概率。最终的实验表明,所提出的方法可以有效减少伪影的出现,并提高生成的图像样本的健壮性。
Dec, 2022
通过引入条件伪可逆归一化流,我们提出了一种构建受加性噪声污染的物理模型的替代模型的方法,以便有效量化前向和反向的不确定传播。我们的模型可以直接学习并高效地从条件概率密度函数中生成样本,并且可以针对任何高概率区域被训练集所覆盖的条件概率密度函数生成样本。此外,伪可逆性特性使得我们可以使用全连接神经网络结构,简化了实现并实现了理论分析。我们的方法经过了严格的收敛性分析,证明了其能够使用 KL 散度收敛于目标条件概率密度函数。为了证明我们方法的有效性,我们将其应用于几个基准测试和一个真实的地质碳储存问题。
Mar, 2024
本研究旨在探索利用正则流的密度代数方法以恢复被噪声所污染的样本的概率密度函数,本文提出的修正策略包括利用高斯混合模型和变分推断方法,实验发现该方法在密度解卷积方面优于高斯混合模型。
Jun, 2020
通过期望最大化算法,我们提出使用条件归一化流来近似后验概率,在贝叶斯逆问题中联合估计后验和噪声参数,应用于间接测量和纳米计量领域,该模型能够整合多种测量信息。
Feb, 2024