AAAINov, 2022

混合流形网络：逆模建模的高效基线

PDF
TL;DR本研究提出并证明了一种新的逆问题解决方法，使用深度学习代替传统解析解，使用多种流形反向建模相结合的正向反馈模型架构，借助前向模型生成训练数据，用于在计算时间和模型性能之间取得平衡，通过对四项基准逆问题的比较，并对其设计进行分析来展示其优势。
inverse modelingdeep learningcomputational timemanifold mixture networkbenchmark
发现论文，激发创造
  • 流形滤波融合网络

    我们介绍了一类大型流形神经网络（MNNs），称为 Manifold Filter-Combine Networks。我们研究了此类神经网络的实现方法，并提供收敛条件以及收敛速度的改进。

    Jul, 2023

  • 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

  • 使用卷积神经混合模型适应推理成本

    本文提出了一种基于概率模型的混合卷积神经网络 (CNMMs) 方法，能够显著降低卷积神经网络在推理时所需的计算成本，并在语义分割和图像分类领域得到了广泛的应用。

    Aug, 2019

  • 基于混合密度网络的纳米光子学中的迁移学习辅助逆向建模

    本文提出了一种基于混合密度网络模型和迁移学习增强的逆向建模方法，用于纳米光子结构，该方法在输入光学响应的情况下能够准确预测设计解决方案的能力，并克服了混合密度网络模型中的多个挑战。

    Jan, 2024

  • 利用流形约束改进逆问题的扩散模型

    通过研究生成采样路径，我们提出了一种附加流形约束修正项的算法，能够优化漫反射模型在无监督的逆问题求解中，尤其在图像修复、着色和计算机断层扫描等领域中表现优异。

    Jun, 2022

  • 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

  • 基于模型的优化的模型反演网络

    本文介绍了使用模型反演网络 (MINs) 解决数据驱动最优化问题的方法，并且使其能够应对高维空间且只有少数有效输入的情况下如何避免越界和无效输入等问题。

    Dec, 2019

  • 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

  • 成像反问题的模型适应

    探究如何在不知道正向模型改变详情的情况下，使用简单的模型适应方法，使得深度神经网络在计算成像的各种逆问题中，包括去模糊、超分辨率和磁共振成像中的欠采样图像重建方面，取得实证成功。

    Nov, 2020

  • 神经隐式流形学习在拓扑感知生成建模中的应用

    本论文提出一种通过神经隐式流来表示数据流形分布的方法，称为神经隐式流分布。为了解决基于前向模型的限制，引入了约束能量模型，该方法使用约束的 Langevin 动力学来训练和采样，能比前向模型更精确地学习复杂拓扑结构的流形支持分布，并允许将模型流形的并集和交集进行运算。

    Jun, 2022