从后验分布中抽样的随机图像去噪
本文提出了一种新的自监督去噪策略,并基于空画布上的迭代采样,导出了完整的生成模型,使用荧光显微镜数据集进行了数量和质量评估,优于监督、自监督和非监督基准模型。
Jul, 2023
本文提出了一种基于条件生成对抗网络的随机去噪方法,通过引入一种理论上基于中心极限定理的正则化惩罚项,以实现高感知质量和可接受失真度去噪。
Mar, 2021
通过引入一种称为观测过程的随机过程,从数据分布中随机噪声样本并逐步学习与此动力学相关联的去噪器,本文在基于分数的学习的基础上,对随机定位技术产生了兴趣。除了特定的应用外,使用随机定位来从未归一化的目标密度中采样的问题尚未广泛探讨。本文填补了这个空白。我们考虑了一个广义的随机定位框架,并引入了一类明确的观测过程,与灵活的去噪时间表相关联。我们提供了一个完整的方法,即 “通过迭代后验采样进行随机定位”(SLIPS),以获取此动态的近似样本,并作为副产品获得目标分布的样本。我们的方案基于马尔可夫链蒙特卡洛估计的去噪器,并带有详细的实际指南。我们以几个基准测试为例,包括维度逐渐增加的高斯混合模型、贝叶斯逻辑回归和高维统计力学场系统,以证明 SLIPS 的益处和适用性。
Feb, 2024
本文介绍了一种称为 SNIPS 的新型随机算法,用于从任何线性反问题的后验分布中抽取样本,其中假定观测结果受到加性白噪声的污染。该算法利用来自 Langevin 动力学和牛顿方法的思想,并利用经过预训练的 MMSE 高斯去噪器。该算法可以为相同的噪声观察生成多个高感知质量的样本。我们证明了该方法对于图像去模糊,超分辨率和压缩感知的能力,并且显示产生的样本锐利,详细且与给定的测量结果一致,其多样性展示了被解决的反问题中固有的不确定性。
May, 2021
通过计算后验分布的高阶中心矩与后验均值的高阶导数之间的基本关系,提出了一种用于预训练的降噪器的不确定性估计方法,可有效计算图像区域的主成分以及在任意一维方向上的近似全边际分布。该方法快速、内存效率高,并且无需训练或微调降噪器。
Sep, 2023
本文介绍了两种算法:PnP-ULA(未调整的 Langevin 算法)和 PnP-SGD(随机梯度下降), 用于进行具有 Plug & Play 先验的贝叶斯推断,其中深度神经网络去噪算子特别值得注意,同时针对图像去模糊、修复和去噪等标准问题,这些算法可用于点估计和不确定性可视化和量化。
Mar, 2021
该论文提出了一种新的去噪方法基于得分的反向扩散采样,通过该方法,我们的网络在仅训练冠状膝关节扫描的情况下,在复杂的混合噪声污染的体内肝脏 MRI 数据中表现卓越,并提出了一种用同一网络提高去噪图像分辨率的方法,通过大量实验表明,我们的方法在具有先进性能的同时具有优良的特性,这些先前的 MMSE 去噪器没有的:自由选择去噪程度和量化不确定性。
Mar, 2022
该论文介绍了一种贝叶斯框架图像反演方法,通过导出一种与正则化去噪(RED)范式相对应的概率模型实现。同时,还实现了一种针对得到的后验分布进行采样的蒙特卡罗算法,其基于渐近精确的数据增广(AXDA)。该算法是分裂吉布斯采样(SGS)的近似实例,嵌入了一个 Langevin 蒙特卡罗步骤。该方法被应用于常见的图像处理任务,如去模糊、修复和超分辨,通过广泛的数值实验证明了其有效性。这些贡献通过在概率框架内利用数据驱动的正则化策略推进了图像处理中的贝叶斯推断。
Feb, 2024
针对图像复原中存在的多种可能解决方案,本文提出了一种基于条件扩散模型的盲去模糊方法,使用确定性预测器和随机采样器产生多个可能的重建结果,相比现有技术在图像感知质量上有了显著提高。
Dec, 2021