Apr, 2023

面向稀疏无监督恢复学习的最优传输感知算法

PDF
TL;DR本文提出一种稀疏感知的最优传输 (SOT) 准则，通过利用 OT 框架中的降级疏松性，可以在无监督的恢复学习中显着提高性能，特别是在超分辨率和去雾等任务上。实验结果表明，SOT 可以在这些任务中显著优于现有的无监督方法，接近于最优监督方法的表现。
unsupervised restoration learningoptimal transportsparsitysuper-resolutiondehazing
发现论文，激发创造
  • 无监督降噪学习的最优输运

    本文提出了一种基于最优传输理论的无监督去噪学习标准，该标准具有优秀的性质，能够实现近乎完全保留信号信息并实现感知重构。实验结果表明，该方法比监督方法具有更好的感知重构和更高的峰值信噪比，尤其在复杂噪声等恶劣实际条件下表现出卓越的优越性。

    Aug, 2021

  • SP$^2$OT：语义规范化的逐步偏差最优传输用于不平衡聚类

    我们提出了一个基于最优传输的伪标签学习框架来解决深度不平衡聚类问题，该框架通过逐步将样本转移到不平衡的聚类中生成高质量且注意不平衡性的伪标签。

    Apr, 2024

  • 结构稀疏最优传输的子模组框架

    探索在不平衡最优输运 (UOT) 设置中学习稀疏输运规划，提出基于最大均值差异 UOT 的稀疏约束优化问题，开发了高效的基于梯度的离散贪婪算法，并在多个应用中验证了该方法的有效性。

    Jun, 2024

  • 残差调节最优传输：朝向结构保持的非配对及配对图像恢复

    深度学习图像修复中，我们提出了一种新的残余条件的最优传输（RCOT）方法，该方法将图像修复建模为一种最优传输问题，通过整合传输残差作为独特的特定退化线索来保留原始图像的结构细节，并通过对抗训练神经网络来解决。与现有方法相比，RCOT 方法在多个修复任务中显示出更好的失真度量和感知质量，可以更忠实地恢复图像的结构细节。

    May, 2024

  • 稀疏字典上的最优图像传输

    本论文通过利用稀疏表示和最优传输，推导出一种新颖的针对稀疏字典的最优图像传输算法。通过将图像特征编码为稀疏表示并根据编码过程在两个学习字典之间推测最优传输计划，得到了一种简单而有效的同时图像表示和转换方法，可广泛应用于图像转换任务。

    Nov, 2023

  • 带有群稀疏正则化器的快速正则化离散最优输运

    该论文提出了一种基于 group-sparse 正则化方法的快速离散最优传输算法，该算法可以在保证准确率的前提下提高计算速度，并在无监督域适应等领域有广阔的应用前景。

    Mar, 2023

  • 在大规模最优输运问题上的可扩展和高效计算

    提出了一种名为 SPOT（Scalable Push-forward of Optimal Transport）的基于隐式生成学习的方法来解决 “最优传输”（Optimal Transport，OT）中的可扩展性问题，该方法通过引入参考分布而近似最优传输计划，并将其转化为极小极大问题。实验结果表明 SPOT 系统具有可靠性和较好的收敛性，并允许从最优传输计划中高效采样，从而有利于领域适应等下游应用。

    May, 2019

  • 稀疏约束的最优输运

    本文提出了一种新的最优输运问题方法，具有明确的基数约束，既能保证传送方案的稀疏性，又能够限制匹配的最大数量，使其在稀疏专家混合等应用中能够更好地解决计算性能问题。

    Sep, 2022

  • 基于最优传输的去噪新视角

    通过最优输运理论，本文在群体层面提出了一种新的基于最优输运的去噪器，证明了其良好定义性和唯一性，并与一种 Monge OT 问题的解紧密相关。特别是，在指数分布的情况下，可以仅通过边际分布来恢复基于最优输运的去噪器。

    Dec, 2023

  • 度量学习增强的生物化学回归域自适应最优输运

    本文提出使用最优传输算法（OT）进行表示对齐，解决生物医学应用中的连续标签回归任务问题。通过提出新的测度域距离和引入后验方差正则化的方法，进一步为拓展任务提供了支持。此外，提出了将 OT 与度量学习相结合的方法，通过动态层次三重损失函数来描述全局数据分布，试验证明该方法在未监督和半监督学习任务的小分子和材料晶体数据上显著优于现有方法。

    Feb, 2022