Jun, 2023

使用带完全梯度惩罚的条件生成对抗网络解决基于物理的反问题

PDF
TL;DR本文提出了一种基于深度学习的条件瓦瑟斯坦生成对抗网络方法，通过利用推断向量的先验分布和基于物理学的前向模型生成训练数据，学习推断向量的条件密度分布并生成样本，实现求解相关反问题的目的。
probabilistic inverse problemsdeep learninggenerative adversarial networksphysics-based forward modelconditional density
发现论文，激发创造
  • 最小卷积潜空间中带有条件 Sinkhorn 生成对抗网络的贝叶斯反问题

    利用最少体积这一新颖的非监督非线性降维方法解决高维、非线性和模型不确定性等问题，从而实现后验推断，为逆问题提供了潜在条件生成模型的训练方法。

    May, 2024

  • 使用 GAN 先验解决线性反问题：具有可证明保障的算法

    本研究使用生成对抗网络（GAN）代替稀疏性等手工先验知识来解决线性反问题，提出了一种有效的 PGD 算法，并提供了理论保证，该算法展现出优于现有方法的性能。

    Feb, 2018

  • 基于物理知识的生成式对抗网络在随机微分方程中的应用

    研究中介绍了一种新型 PI-GANs 来解决基于有限数量的分散测量数据的前向、反向和混合随机问题，并将物理规律通过自动微分编码到 GANs 的架构中，采用 Wasserstein GANs 进行稳定训练。此外，研究还使用了深度神经网络来进行生成和鉴别，表明了该方法在解决高维随机微分方程问题上的准确性和有效性。

    Nov, 2018

  • 基于物理学的生成对抗模型用于图像修复及其它领域

    该研究提出了一种基于生成模型和对抗学习的图像恢复算法，并通过物理模型约束学习提高了生成对抗网络的图像生成质量，具有在多种低级视觉问题中应用的广泛适用性。

    Aug, 2018

  • 一种基于条件深度学习的新型拓扑优化方法

    本文提出一种基于条件瓦瑟斯坦生成对抗网络的优化拓扑结构方法，与传统算法相比，该方法计算代价极低，只需要通过深度卷积神经网络模拟限定拓扑优化条件的全局设计空间，且得到的优化方案可以得到验证。

    Jan, 2019

  • 使用迭代深度神经网络解决不适定的反问题

    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

  • 运用物理引导的生成对抗网络学习物理模型

    本文讨论了如何使用物理引导生成对抗网络（PG-GAN）来解决深度神经网络输出不满足物理方程问题的方法。

    Apr, 2023

  • 机械领域中解决反问题的条件评分扩散模型

    我们提出了一个框架，使用条件分数扩散模型执行贝叶斯推理来解决机械学中涉及由加载的噪声测量推断出具有空间变化的材料属性的一类反问题。

    Jun, 2024

  • 改进的 Wasserstein GANs 训练

    提出了一种比传统的 WGAN 更好的 GAN 训练方法，使用正则化替代权重截取，通过惩罚评判器对其输入梯度的范数，可以实现各种 GAN 结构的稳定训练和高质量生成。

    Mar, 2017

  • 生成模型的自适应密度估计

    该论文研究了无监督学习中生成模型的训练方法，提出了一种在对抗网络与似然训练之间进行混合训练的方法，其中使用深度可逆变换来解决概率和逆变换之间的冲突，实现了更好的生成样本和更高的似然性评估。

    Jan, 2019