Jan, 2021

对反问题中可逆架构的基准测试

PDF
TL;DR研究探讨了基于流的可逆神经网络在逆问题求解方面较为有效，并进一步结合十种可逆体系结构和相关模型解决低维基准问题，发现耦合层和简单自编码器表现最佳。希望该研究能促进其他研究者在相似情境中评估他们的可逆体系结构，并提出其他基准问题，以便该评估最终发展成为官方社区挑战。
flow-based invertible neural networksinvertible architecturescoupling layersautoencoderscommunity challenge
发现论文，激发创造
  • 基于时间的深度反演模型比较及神经伴随方法

    本研究考虑如何解决一类通用的逆问题，通过使用深度学习等多种方法，通过随机快速生成搜索算法的方式，寻找可能的逆解空间，并通过一个新方法来得到最佳逆解。

    Sep, 2020

  • 利用可逆神经网络分析逆问题

    本文探讨了逆问题的数学定义，提出了一种称为 Invertible Neural Networks (INNs) 的神经网络模型，利用预定义的正向过程和额外的 latent output variables 来解决参数估计问题，并在人工数据和实际问题中发现 INN 是解决参数分布分析、寻找多模态和相关性较强的关键性分析工具。

    Aug, 2018

  • 可逆神经网络中爆炸反演的理解和缓解

    本文研究了可逆神经网络的数值稳定性，发现常用结构存在逆爆炸现象及无法逆运算等问题，针对不同问题提出了逆问题的解决方法，证明了构建稳定可逆神经网络是重要的。

    Jun, 2020

  • 一石二鸟：探究可逆神经网络在形态学反问题中的应用

    本文介绍了在自然语言处理中，使用可逆神经网络（INNs）来同时优化分析和生成问题，克服问题间的模型差异，从而提高效率，在形态学问题中进行的试验表明，INNs 在语义和形态学层面上都具有出色的表现，并能预测输入参数。

    Dec, 2019

  • Autoinverse: 神经网络的不确定性感知反演

    Autoinverse 是一种高度自动化的逆变神经网络代理的方法，该方法能够在真实世界中部署，并且具有可行性和嵌入式正则化，并且在控制、制造和设计等领域得到了验证。

    Aug, 2022

  • 倒推学习倒推

    本文提出了一种具有恒定内存的迭代逆模型，利用可逆网络避免存储中间激活数据，可以在 MRI 图像重建任务中训练具有 400 层的模型，并在公共数据集上证明这些更深、更具表现力的网络实现了最先进的图像重建。

    Nov, 2019

  • 图像反问题的深度平衡结构

    这篇文章提出了一种基于 Deep Equilibrium Models 的方案，通过无限循环的迭代，不断提高图像逆问题的重建精度，同时在测试时可以根据不同场景的需求选择不同的计算预算以优化精度和计算的权衡。

    Feb, 2021

  • 逆问题的配对自编码器

    我们使用成对自编码器框架作为无似然估计器，有效地构建解决方案，并克服了使用无似然估计器时的一些已知问题，特别是我们的框架可以评估解决方案的质量并在需要时进行改进。我们通过使用完全波形反演和逆向电磁成像的示例，证明了我们方法的可行性。

    May, 2024

  • MoDL: 逆问题的基于模型的深度学习架构

    该研究提出了一种基于卷积神经网络的模型重建框架，实现了解决逆问题的途径。该框架克服了深度学习方法中过多参数所占用的训练数据和时间上的需求问题，并在重构图像方面取得了显著成果。

    Dec, 2017

  • InVAErt 网络：一个数据驱动的模拟、推断和可辨识性分析框架

    该研究使用生成模型和深度学习来构建基于物理系统的仿真模型，通过引入 inVAErt 网络，利用确定性编码器和解码器来表示正向和逆向解决方案映射，结合归一化流来捕捉系统输出的概率分布，以及变分编码器来学习输入和输出之间的紧凑潜在表示。研究对损失函数中的惩罚系数选择和潜在空间采样策略进行了正式研究，并通过广泛的数值实例验证了该框架，包括简单线性、非线性和周期性映射，动力系统和时空偏微分方程。

    Jul, 2023