Feb, 2021

使用深度生成模型进行逆问题的中间层优化

PDF
TL;DR本文提出 Intermediate Layer Optimization（ILO）算法，用于使用深度生成模型解决逆问题，实验表明该算法在包括图像修复、降噪、超分辨率等领域表现优于现有方法。
optimizationdeep generative modelscompressed sensinginpaintingdenoising
发现论文，激发创造
  • 基于评分引导的中间层优化：逆问题中的快速 Langevin 混合

    通过 Langevin 算法，我们扩展了 Hand 和 Voroninski 的工作，从有效的反演到有效的后验采样，并在 latens space 架构的生成模型中提出了 SGILO 方法，在低测量范围内，取得了极大的改进。

    Jun, 2022

  • 深度生成模型对解决逆问题的表现如何？

    本研究评估了基于扩散、基于 GAN 和基于 IMLE 的方法在三个反向问题上的性能，即 16 倍超分辨率、着色和图像解压。总体上，我们发现基于 IMLE 的 CHIMLE 方法在提供有效解决方案和可靠的不确定性估计方面优于其他方法。

    Dec, 2023

  • 逐层反转深度生成模型

    本文研究在 ReLU 激活的深度生成模型中，通过解决线性规划问题进行单层反演，证明了多层反演是 NP 难问题，提出了可在多项式时间内进行精确恢复的算法，并为恢复嘈杂观测提供了可证明的误差界限。

    Jun, 2019

  • 智能定位的探索性采样加速反向学习

    在 “AI for Science” 范围内，本文提出了一种新的方法（称为 iPage），通过利用深度可逆模型的概率推断和快速梯度下降的确定性优化来加速反向学习过程，从而解决材料和药物发现等领域中的反向问题。该方法在三个基准任务和两个真实世界应用数据集中获得了优异的性能。

    Dec, 2022

  • 一种网络解决所有问题 —— 使用深度投影模型解决线性反问题

    本文提出了一种通用框架来训练单个深度神经网络，以解决任意线性反问题，通过提供一个接近算子来实现这一目的，并在压缩感知和像素插值等任务中显示出优越的性能。

    Mar, 2017

  • 使用迭代深度神经网络解决不适定的反问题

    本文提出了一种部分学习方法，用于解决具有非线性正演算子的病态反问题。该方法利用经典正则化理论和深度学习的最新进展，通过对反问题的先验信息进行编码的正演算子、噪声模型和正则化函数来进行学习，其中包含每次迭代中的数据差异和正则化器的梯度做为卷积神经网络的输入。实验表明，与 FBP 和 TV 重建相比，所提出的方法在保证速度的同时，能够在 512 x 512 体积内产生 5.4dB 的 PSNR 提升。

    Apr, 2017

  • 深度先验展开优化

    本文提出了一种使用深度先验知识进行解决图像重建问题的框架，该框架在去噪、去模糊以及磁共振成像的压缩感知等多种成像问题上实现了较大幅度的性能提升，并通过实验进一步解释了其优越性。

    May, 2017

  • 使用 GAN 先验解决线性反问题：具有可证明保障的算法

    本研究使用生成对抗网络（GAN）代替稀疏性等手工先验知识来解决线性反问题，提出了一种有效的 PGD 算法，并提供了理论保证，该算法展现出优于现有方法的性能。

    Feb, 2018

  • 基于生成对抗网络的大规模多目标优化流形插值

    本文提出了一种基于生成对抗网络（GAN）的流形内插框架，以学习流形并在其上生成高质量解。我们将该算法与几种最先进的算法进行了比较，实验结果表明该框架在解决大规模多目标优化问题时取得了显著的改进。

    Jan, 2021

  • 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