Apr, 2023

利用归一化流先验的 Langevin Monte Carlo 用于成像逆问题

PDF
TL;DR本文介绍了将数据模型应用于贝叶斯推断的兰日文采样算法的一种技术，该算法需要一个预先训练好的正则化流作为先验，并分别分析了贝叶斯解决方案的合理性和 NF-ULA 算法的非渐近收敛性。实验结果表明，该方法适用于图像去模糊、补缺失和 X 线断层扫描重建等各种成像问题。
bayesian methodsinverse problemslangevin-based sampling algorithmsnormalizing flowsimaging problems
发现论文，激发创造
  • 基于流噪声模型的反问题求解

    该研究利用归一化流先验研究了图像反问题，将解视为基于测量的图像后验概率最大化估计，通过噪声模型和非线性正演算子验证了该方法在各种反问题中的有效性，并初步解决了带有流先验的反问题的理论恢复保证问题。

    Mar, 2020

  • 在潜空间中使用 Langevin 动态对正规化流采样

    本文提出了一种新的马尔可夫蒙特卡罗算法来应对标准归一化流在复杂分布上可能出现的病态问题，并将其与传统方法进行了比较，结果表明该方法不需要专门的训练，并且可以简单地与任何预先经过训练的 NF 网络结构一起使用。

    May, 2023

  • 两种潜变流的故事：基于短程 Langevin 流的学习潜空间正规化流进行近似推断

    本研究提出一种基于 Markov chain Monte Carlo (MCMC) 的最大似然算法的潜空间归一化流模型，可实现图像生成、重构、异常检测、受监督的图像修补和无监督的图像修复。

    Jan, 2023

  • 反问题的组合归一化流

    本文提出了一种基于流模型的方法来估计条件密度并解决逆问题，并通过实验验证其在产生高质量样本和不确定性量化方面的有效性。

    Feb, 2020

  • 使用归一化流提高多注释医学图像分割中的不确定性度量

    使用正则化流 (NFs) 的方法来模型化分割模型中的不确定性，相较于严格使用高斯密度模型，可以让模型更具表现力，有效提高单标注和多标注分割数据集的分割性能，并明确提出了更灵活的密度模型应该在该领域内被认真考虑。

    Aug, 2021

  • AltUB: 交替训练方法更新归一化流的基础分布用于异常检测

    提出了一个名为 AltUB 的解决方案来改善基于正常流的性能稳定性，使其在无监督异常检测任务中达到了最新的最先进表现，并在 MVTec AD 数据集上实现了 98.8％的 AUROC。

    Oct, 2022

  • 随机正常化流

    提出了随机归一化流的概念，它是一种在机器学习和统计力学领域中解决概率分布采样问题的方法，具有较快的采样效率和较强的表示能力。

    Feb, 2020

  • 卷积归一化流

    该研究论文介绍了一种基于神经网络和正则化流的灵活变分后验分布逼近方法，提出了一种名为 ConvFlow 的新型正则化流方法，并证明了其在合成和实际问题中的有效性和效率。

    Nov, 2017

  • 使用条件正则流学习似然函数

    本文介绍了一种新方法，叫做 CNF，用于建模条件密度函数和解决结构预测问题，同时证明了该方法在超分辨率和血管分割等任务上具有竞争力。

    Nov, 2019

  • 具有归一化流的变分推断

    本论文提出了一种新的变分推断方法，通过应用一系列可逆转变，构造了一种更为复杂的、灵活的、可拓展的近似后验分布，与简单的后验分布相比，提升了推断性能和适用性。

    May, 2015