逆问题的学习重建方法:样本误差估计
通过两种不同范例,学习正演算子在逆问题中的重建方法:完全对正演算子不可知的范例通过投影正则化找到重建,而基于测量过程的简化模型则依赖于训练数据来学习模型修正。这两种方法都需要训练数据不仅仅是正演算子,也是其伴随算子。
Nov, 2023
探讨了深度神经网络在解决计算成像中出现的广泛逆问题方面的应用,提出了一种可以用于将不同问题和重建方法分类的分类法,并讨论了各种重建方法的权衡及其困难点、常见失败模式、未来研究的开放问题和途径。
May, 2020
本文概述了目前采用变分方法和机器学习解决成像反问题的方法。重点关注点估计器及其对抗扰动的鲁棒性,并通过数值实验的结果验证了不同方法的鲁棒性和理论保证的实证。此外,还探讨了显式引导数据一致解子空间来满足特定语义或纹理属性的研究。
Feb, 2024
借助深度神经网络,本文研究了解决小数据集的逆问题,集中在将基于模型的方法与数据驱动方法相结合,通过逼近图像先验对全局经验分布的 Wasserstein 差异进行判罚及最大对数似然进行最优化,实现了贝叶斯逆问题的不确定性量化,并在计算机断层摄影、图像超分辨率和修复领域取得了高质量的结果。
Dec, 2023
我们提出了一种名为 “严重性编码” 的新方法,通过在自编码器的潜在空间中估计噪声、退化信号的退化严重程度,从而在样本自适应推断时间、重建问题的难度上取得了显著性进展。同时,利用潜在扩散模型基于预测的退化严重程度来调整反向扩散采样轨迹,从而在维持与观测一致性的同时实现样本自适应的推断时间,与现有扩散法技术相比,我们的技术在计算效率方面有明显提升。
Sep, 2023
本文旨在基于理论提供对于反问题的先进学习方法进行研究,探讨正则化方法及其收敛性的广义定义,该定义可以为未来的理论研究铺平道路。在基于先前用于监督学习的简单光谱学习模型的基础上,我们研究了适用于反问题的不同学习范式的关键属性,这些属性可以独立于具体的体系结构进行阐述。特别是,我们研究了正则化性质、偏差以及对训练数据分布的关键依赖。此外,我们的框架允许突出和比较不同范式在无限维限制条件下的特定行为。
Dec, 2023
本文介绍了一种新的框架,基于少量实验数据、领域专业知识和现有图像数据集来训练变分推断,使贝叶斯机器学习模型可以在最小数据收集效果下解决成像反问题。经过广泛的模拟实验证明了该方法的优点,并在两个实验光学设置中应用:全息图像重建和通过高度散射介质成像。在两种设置中,都用很少的训练数据,达到了最先进的重建效果。
Apr, 2019
该论文提出了一个几何统计分析框架,适用于泛化的不适定线性反问题模型,包括噪声压缩感知、符号向量恢复、迹回归、正交矩阵估计和噪声矩阵完成等特殊情况,提出了可行的计算凸规划方法,用于统计推断,包括估计、置信区间和假设检验。该论文建立了一个理论框架,以表征局部估计收敛速度,并提供统计推断保证,其结果基于局部锥几何和对偶性,并通过高斯宽度和 Sudakov 最小化估计量表征局部切锥的几何。
Apr, 2014