Sep, 2023

关于去噪的后验分布：应用于不确定性量化

PDF
TL;DR通过计算后验分布的高阶中心矩与后验均值的高阶导数之间的基本关系，提出了一种用于预训练的降噪器的不确定性估计方法，可有效计算图像区域的主成分以及在任意一维方向上的近似全边际分布。该方法快速、内存效率高，并且无需训练或微调降噪器。
denoisersuncertainty quantificationhigher-order momentsprincipal componentsimage denoising
发现论文，激发创造
  • 通过去噪估计数据分布的高阶梯度

    提出了一种直接从样本估计高阶导数的方法，并将其应用于数据密度的分析与合成，提高了模型的精度和效率。

    Nov, 2021

  • 从后验分布中抽样的随机图像去噪

    提出一种新颖的基于 Langevin 动力学的随机去噪方法，可在保持小 MSE 的同时产生高感知质量结果，并将其扩展到处理修补问题。

    Jan, 2021

  • 神经概率后续主成分的不确定性量化

    为了在安全关键领域中部署图像恢复模型，本文提出了一种通过神经网络在单次前向传递中预测后验分布的主成分，可靠地传达实例适应不确定性方向，实现与后验采样器相当的不确定性量化，在速度上提升数倍。

    Sep, 2023

  • 马丁格尔后验分布

    本文提出了一个不同于传统贝叶斯不确定性量化的观点，着重于缺失观测值作为统计不确定性的来源，并引入了一种基于鞅的后验分布，避免了从先验到后验再到预测分布的复杂计算过程。

    Mar, 2021

  • Noise2Score：基于 Tweedie 的自监督图像去噪方法无需干净图像

    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

  • 高斯混合模型的最优估计：去噪矩方法

    利用半定规划抑噪，解决高斯混合模型中方法矩的不一致性等问题，建立在 Wasserstein 距离下新的矩比较定理，提出新的算法，解决方法矩估计常见的问题。

    Jul, 2018

  • 逆问题中的去噪分数匹配用于不确定性量化

    本研究提出了一种基于贝叶斯框架的深度神经网络反问题求解方法，使用噪声分数匹配技术学习先验分布，并结合模拟退火算法对图像反问题进行全面采样，应用于磁共振成像重建，提供了高质量的图像重建以及重建图像中特定特征的不确定性评估。

    Nov, 2020

  • 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

  • 利用最优后验协方差提高逆问题的扩散模型

    最新的扩散模型为嘈杂的线性反问题提供了一种无需为特定反问题重新训练的有希望的零样本解决方案。本文首次从条件抽样的逆扩散过程的条件后验均值的近似角度解释了现有的零照片方法。我们揭示了最新方法相当于对给定扩散嘈杂图像的干净图像的不可行后验分布进行各向同性高斯近似，唯一的不同在于各向同性后验协方差的手工设计。受此发现的启发，我们提出了一种基于最大似然估计的通用即插即用后验协方差优化方法，以改善最新方法。为了实现无需重新训练的最优后验协方差，我们提供了基于两种方法的通用解决方案，这两种方法专门设计用于利用具有和不具有逆协方差的预训练模型。实验结果表明，所提出的方法显著提高了最新方法的整体性能或对超参数的鲁棒性。可在此链接获取代码。

    Feb, 2024

  • 使用生成模型进行不确定性量化

    本文提出了一种基于生成模型的贝叶斯逆问题方法，特别针对图像重建中的噪声和不完整图像，并解决了贝叶斯重建中遇到的常见问题：使用包含所有可用信息的复杂数据驱动先验，并在潜在空间和数据空间中进行可计算的不确定性量化。

    Oct, 2019