基于得分函数的无监督图像降噪
本研究提出一种名为 Noise2Score 的新方法,通过发现后验分布的模式并使用梯度的得分函数来解决无干净参考图像的图像去噪问题,该方法可以处理任何指数族分布和噪声参数下受损图像的降噪,并在实验中表现出比现有方法更佳的性能。
Jun, 2021
本文介绍了 SURE-Score, 一种使用受加性高斯噪声污染的训练样本学习基于分数的生成模型的方法,演示了 SURE-Score 在学习先验知识和应用后验采样到压缩无线 MIMO 信道估计和加速 2D 多线圈磁共振成像重建等领域中的可广泛应用性。
May, 2023
该研究提出了一种使用分数梯度模型重构图像的方法,并使用连续时间依赖分数函数进行训练。该模型可用于解决成像的反问题,尤其是加速 MRI,具有强大的性能及实用性,并且可重构复杂值数据。
Oct, 2021
通过神经网络估计噪点云分布得分,在梯度上升迭代中更新每个点的位置以最大程度提高每个点的对数似然,从而实现去噪。经实验证明,在多种噪声模型下,该模型优于现有最先进方法,并显示出在点云上采样等其他任务中应用的潜力。
Jul, 2021
通过分析神经网络的数学框架和得分匹配与回归分析之间的创新连接,本文提出了第一次得分函数学习的一般化误差(样本复杂性)边界,从而克服了观测值中存在噪声的问题。
Jan, 2024
通过引入得到易用的最小 MSE 非独立同分布高斯去噪器和变分采样,我们提出了一种得分先验引导的深度变分推理方法 ScoreDVI,用于实际场景的去噪。同时,我们利用非独立同分布高斯混合模型和变分噪声后验建模来适应实际场景噪声,并实现多个图像先验和变分图像后验的逐像素融合。此外,我们还开发了一个噪声感知的先验分配策略,动态调整优化中图像先验的权重。我们的方法在实际场景的单图像去噪中表现优于其他方法,且与基于数据集的无监督方法具有相当的性能。
Aug, 2023
通过解决数值上求解对数密度福克 - 普朗克方程以在训练之前计算分数来提高基于分数的扩散模型的训练效率,并将预先计算的分数嵌入到图像中以加快训练速度和减少图像数来学习准确分数,我们在数值实验中展示了我们提出方法相对于标准基于分数的扩散模型的改进性能,其意义上地以更快速度实现了类似的质量。
Apr, 2024
本文通过导出一个变分框架来推导连续时间生成扩散理论,并表明该理论中最小化匹配得分损失等价于最大化该理论内所提出的可逆 SDE 插件的似然度的下限。
Jun, 2021
本研究提出了一种名为去噪扩散算子的数学严谨框架,用于在函数空间中训练扩散模型,将它推广到无限维函数空间的应用,其中前向过程是逐渐扰动输入函数,生成过程是通过积分的函数值 Langevin 动力学实现。
Feb, 2023