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
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。
Apr, 2023
本文提出基于 Unbalanced Optimal Transport (UOT) 的半对偶形式构建的新型生成模型,相比于基于 OT 的方法在处理噪点,稳定性和训练收敛速度等方面表现更优。通过实验验证了该模型的性质,并研究了 UOT 之间分布差异的理论上界。实验结果显示,该模型在 CIFAR-10 和 CelebA-HQ-256 数据集上的 FID 分别为 2.97 和 5.80,优于现有基于 OT 的生成模型。
May, 2023
我们提出了两种神经网络方法来近似求解静态和动态条件优化传输问题(COT),这两种方法能够对条件概率分布进行抽样和密度估计,在贝叶斯推断中是核心任务。我们的方法将目标条件分布表示为可处理的参考分布的转换,因此属于测度传输框架。这些方法利用了 COT 问题的静态和动态公式的结构,通过神经网络来参数化 COT 映射以提高可扩展性。我们通过使用基准数据集和贝叶斯反问题将其与最先进的方法进行比较,证明了它们的有效性和效率。
Oct, 2023
Diffusion models suffer from computationally expensive iterative generation, limited editing flexibility, and Gaussian noise constraints; Contrastive Optimal Transport Flow (COT Flow) overcomes these limitations, enabling fast, high-quality generation and improved zero-shot editing with unpaired image-to-image translation and doubled editable space.
Jun, 2024
我们提出了一种新的优化输运 (OT) 方法,称为课程和结构感知的优化输运 (CSOT),它同时考虑样本的全局和局部分布结构,构建了一个稳健的去噪和重新标记分配器。通过训练过程,分配器逐步为具有最高置信度的样本分配可靠的标签,这些标签具有全局可辨识性和局部一致性。我们的方法在学习噪声标签方面表现优于当前技术水平。
Dec, 2023
本文提出了一种名为 NubOT 的神经非平衡最优输运 (OT) 方案,针对单细胞生物学领域中在不同时间点上获取的未配对分布或人群的比较问题,通过半耦合形式学习数据分布之间的最优耦合,解决了传统 OT 中质量守恒假设在人群大小变化时的不平衡场景下失效的问题,并应用到肿瘤细胞药物敏感性预测中,获得了明显的优化效果。
Sep, 2022
研究了一种基于流的方法来解决优化运输问题,该方法可通过神经普通可微方程迭代地减少运输成本,同时自动维护边际约束,相对于已有的方法,该方法针对特定运输成本函数且内部减少可行耦合来减少运输成本,是一种单目标变体。
Sep, 2022