智能定位的探索性采样加速反向学习
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
我们提出了第一个框架,利用预先训练好的潜在扩散模型来解决线性反问题。在理论和实验分析中,我们都展现出在各种问题中都优于先前提出的后验采样算法,包括随机修补、块修补、去噪、去模糊处理、去除条纹和超分辨率。
Jul, 2023
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
使用预训练扩散生成模型以输入图像为指导,通过 Diffusion Policy Gradient 方法精确估计输入图像的指导评分函数,解决多种线性和非线性反问题,并在 FFHQ、ImageNet 和 LSUN 数据集上实现更高的图像恢复质量。
Mar, 2024
本文介绍了一种利用反馈信号进行迭代更新建模的方法,可在解决逆问题的过程中提供比传统优化法更快且更优秀的性能表现,同时在各项指标上均显著优于基于深度学习的方法,可广泛应用于 6-DOF 姿态估计、照明估计和逆运动学等领域。
Jan, 2021
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
本研究通过引入一种新的统一的架构,将深度学习和变分框架相结合,探讨和比较各种生成式深度学习方法,以逼近将探测器观测结果映射到潜在的粒子碰撞物理量的问题。我们证明了这种方法的有效性,包括重构理论运动学量的全局分布以及确保学习后验分布符合已知的物理约束条件。与现有方法相比,这种统一方法的误差更小,达到了绝对误差的二十倍和传统潜变扩散模型的三倍。
May, 2023
提出了一种融合深度神经网络和传统分析方法优势的解决一般反问题的方法,该方法具有较高的可解释性、易于训练,适合于在医学中的应用,具有 MRI 成像参数估计等方面的应用潜力。
Jul, 2021
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
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。
Feb, 2021