May, 2024

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

PDF
TL;DR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。
inverse problemsgenerative modelsdimension reductionlatent spacesposterior inference
发现论文，激发创造
  • 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

    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。

    Jun, 2023

  • 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

  • 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

  • JoIN: 联合 GAN 逆向用于固有图像分解

    该研究提出使用 GAN 作为先验来解决不适定的反演成像问题，并将方法应用于面部和材料的固有图像分解。该方法建立在 GAN 成功捕捉复杂图像分布的基础上，并展示了通过逆转多个 GAN 来维持分布先前的可能性，其是模块化的，可以成功地分解合成和真实图像，并利用 GAN 潜在空间的属性，提供了额外的优势，如图像重照。

    May, 2023

  • 关于生成对抗模型在低内在数据维度下的统计特性

    尽管生成对抗网络（GANs）在实证方面取得了显著的成功，但其统计准确性的理论保证仍然相对悲观。本论文试图在理论和 GANs 以及双向 GANs（BiGANs）的实践之间架起桥梁，通过推导出关于估计密度的统计保证，以数据的固有维度和潜在空间为基础。

    Jan, 2024

  • GAN 的最佳精度

    研究深度生成模型的潜在空间几何结构及优化条件，通过实验提出限制方法，提高生成对抗网络的性能。

    Jul, 2022

  • 可逆生成模型用于反问题：减轻表示误差和数据集偏差

    研究表明，在图像逆问题中，具有零表示误差的可逆神经网络可以作为自然信号的有效先验，在压缩感知等方面比稀疏先验和 GAN 先验更精确。

    May, 2019

  • 潜空间非线性统计

    本文提出一种基于非线性流形统计学的技术，可在低维非线性表示学习的潜空间中实现数据的统计分析，并通过训练神经网络来近似描述数据流形的黎曼度量。

    May, 2018

  • 高能物理反问题的端到端潜变分扩散模型

    本研究通过引入一种新的统一的架构，将深度学习和变分框架相结合，探讨和比较各种生成式深度学习方法，以逼近将探测器观测结果映射到潜在的粒子碰撞物理量的问题。我们证明了这种方法的有效性，包括重构理论运动学量的全局分布以及确保学习后验分布符合已知的物理约束条件。与现有方法相比，这种统一方法的误差更小，达到了绝对误差的二十倍和传统潜变扩散模型的三倍。

    May, 2023

  • 非线性贝叶斯反问题中的认证降维

    我们提出了一种用于贝叶斯反问题的降维技术，包括非线性正演算子、非高斯先验和非高斯观测噪声，我们通过一个垄线函数来近似似然函数，并最小化 KL 散度的上界来建立此垄线近似。这个上界可以通过对梯度的二阶矩矩阵的计算来获得并进行上界估计，数值和理论比较证明了方法的优点。

    Jul, 2018