AAAIDec, 2021

RID-Noise：面向噪声环境下的稳健逆向设计

PDF
TL;DR本论文提出了一种数据高效的稳健反向设计（Robust Inverse Design under Noise，RID-Noise）方法，其利用现有的有噪数据训练条件可逆神经网络（cINN）来估算设计参数的稳健性，并定义一种样本权重，在基于 cINN 的反向模型的最大加权似然估计中使用。实验结果表明，该方法在多个真实世界基准任务中比其他最先进的反向设计方法更有效。
发现论文，激发创造
  • ARRID: 基于 ANN 的旋转机械动力学稳健综合设计

    本研究旨在介绍一种基于人工神经网络的软件，用于实现健壮且集成化设计的旋转动力学快速评估。该软件使用由多个人工神经网络组成的代理模型，在 Bokeh Web 应用中运行。相对于目前的模型，使用代理模型的计算速度快了三个数量级，并可提供包括制造偏差在内的快速性能信息，以帮助设计师提前做出最优设计选择。设计师可以操纵设计参数和操作条件，在几秒钟内获得性能信息。

    Aug, 2022

  • 通过不变风险和因果表示实现稳健的可重构智能表面

    研究了鲁棒的可重构智能面（RIS）系统设计问题，并采用不变风险最小化（IRM）的概念，在多个环境中使用不变的因果表示，以使预测器对于每个环境都是同时最优的，结果表明，利用不变性可以提供更加稳健的防范未知环境和分布之外的测试。

    May, 2021

  • 基于特征注意力机制的真实图像去噪

    本文提出一种基于模块化结构及特征关注的单步盲目真实图像去噪网络 (RIDNet)，在三个合成噪声和四个真实噪声数据集上通过 19 个最先进的算法的评估，表明 RIDNet 在定量指标和视觉质量上均具有优越性。

    Apr, 2019

  • 使深度神经网络对标签噪声具有鲁棒性：一种损失修正方法

    该论文提出了一种基于理论的方法来训练深度神经网络，包括循环网络，使其适用于存在类别相关标签噪声的情况，并提出两种提高模型噪声稳健性的损失函数矫正方法和一种端到端的噪声估计框架并进行了大量实验证明了这个方法的实用性和有效性。

    Sep, 2016

  • 基于隐式神经表示的图像去噪器的增强

    通过在学习过程中采用来自预测和监督信号的均值作为监督信号的替代，我们提出了一种用于正则化隐式神经表示模型（INR）在图像去噪中的通用方法，从理论上证明这样的简单迭代替代可以逐渐增强监督信号的信噪比，从而有利于 INR 模型的学习过程，实验证明采用提出的方法可以有效地正则化 INR 模型，缓解过拟合，并提高图像去噪性能。

    Jan, 2024

  • 通过专家混合训练构建神经隐式字典

    该研究论文提出了一种能够通过基于坐标的子网络来构建神经隐式词典 (NID) 并代表内在神经表征的框架，通过优化结果能够更快地重建 2D/3D 图像并解决遮挡问题。

    Jul, 2022

  • 零样本盲图像去噪：基于隐式神经表示的方法

    介绍了一种新的图像降噪算法，该算法利用了隐式神经表示 (INRs) 在低噪声和真实噪声情况下具有先天降噪能力的特点，通过惩罚更深层次的权重增长来最大化这种天然的降噪能力，比现有的零样本降噪方法更优。

    Apr, 2022

  • 基于物理信息可逆神经网络的高效贝叶斯反问题推断

    提出了使用物理知识的可逆神经网络 (PI-INN) 来解决贝叶斯反问题的新方法，其中包括 INN 和 NB-Net 两个子网络来提高估计后验概率分布的可行性，并采用新的独立损失项来保证 INN 输出的统计独立性，通过数值实验验证了其高效性和准确性。

    Apr, 2023

  • 稳健逆图形推理的概率推断

    通过使用具有强大场景先验和无信息均匀损坏先验的贝叶斯方法（RIG），在给定单一图像的情况下，我们能够推断出含有各种污染物（如雨、雪或雾）的 3D 场景，并展示了 RIG 是如何超越点估计而优于深度估计器和其他性能的 NeRF 方法的。

    Feb, 2024

  • 可解释学习的功能响应变形材料的生成逆向设计

    通过随机森林的可解释性，提出了一种单次逆设计方法 RIGID，用于快速生成具有所需功能行为的变形材料设计。该方法不需要训练映射关系的逆模型，而是通过马尔科夫链蒙特卡洛方法从训练的前向模型导出目标满足的设计解决方案的条件分布。在仅有少量数据的情况下，RIGID 在声学和光学变形材料设计问题上展示了其效率和有效性，并进一步验证了其似然估计的机制，突显在生成设计和消除大数据需求方面，可解释机器学习的潜力。

    Dec, 2023