- 利用罗合分割法鲁棒地估计因子数据的异质性
我们提出了一种叫做 Rashomon Partition Sets(RPSs)的替代性方法,用于在具有相关结构的协变量中对协变量组合进行划分,并应用于统计分析、先验、近似误差和实证设置。
- 具备领域知识先验的贝叶斯神经网络
通过变分推理,提出了一种将通用形式的领域知识(通过损失函数表示)整合到贝叶斯神经网络先验中的框架,使得后验推断和抽样具有高效性,以提升预测性能。
- 通过重播组合问题的解来学习蒙特卡洛搜索的先验知识
蒙特卡罗搜索在多个困难的组合问题中表现出色。使用先验值执行非均匀放样比均匀放样获得更好的结果。通常使用针对组合问题定制的手工启发式算法作为先验值。我们提出了一种通过统计已解决问题来自动计算先验值的方法。这是一种简单而通用的方法,在放样时不会 - 告诉我你所看见的:文本引导的现实世界图像去噪
在低光条件下,通过添加场景描述的先验信息,使用文本条件扩散模型,我们在合成和真实世界图像上展示了图像重建在低光条件下的显著改进。
- DPoser: 扩散模型作为稳健的三维人体姿势先验
DPoser 是一种基于扩散模型的强大而多功能的人体姿势先验,它在包括人体网格恢复、姿势完成和动作降噪在内的各种姿势中心应用中无缝集成,并通过采用变分扩散采样进行有效求解,它在多个任务中展示了其优越性。
- RENI++ 旋转等变、尺度不变、自然光照先验
基于生成变分自编码器和转换器解码器的条件神经场表示,通过引入旋转等变性和特征损失函数,实现了对复杂自然光照条件的高动态范围 (HDR) 图像的准确表示和逆渲染任务的应用,以及通过部分观测实现环境图完成。
- 无需正则化:一种高效且有效的不完整标签分布学习模型
标签分布学习 (Label Distribution Learning, LDL) 为样本分配软标签,但是当标签分布是不完整的 (Incomplete LDL, InLDL) 时,往往会导致性能退化。本文提出了一种合理的替代方法来解决这个问 - CVPRRIDCP: 通过高质量码本先验恢复真实图像去雾
本文提出了一种基于深度学习的新范式,通过合成更真实的数据和引入更强的先验知识来处理真实世界中的雾霾图像。所提出的 Real Image Dehazing 网络(RIDCP)结合高质量的 Codebook Priors 来处理多种复杂的视觉退 - 使用 CLIP 潜变量的分层文本条件图像生成
提出一个两阶段模型,先用 prior 生成 CLIP 图像嵌入,再由 decoder 在图像嵌入的条件下生成图像。实验表明该模型可以提高图像的多样性,并在完美保留语义和风格前提下变化非必要的细节。利用扩散模型作为 decoder, 同时使用 - 有限混合物的广义混合和望远抽样
本研究探讨了基于贝叶斯框架的有限混合模型,提出了一种新的无需使用可逆跳转 MCMC 方法的先验分布和后验推断方法,即放缩采样器,并在多个数据集上进行了模型验证。
- 贝叶斯统计中的漏洞
Bayesian data analysis has several issues, including problems with conditional probability, weak and subjective priors, - ICML变分自编码器中的解缠纷问题
本文提出了 VAEs 的解耦合方法,即分解潜在表示,通过先验中有结构的聚合编码和适当的重叠来满足。这种分解不仅能实现特定的解耦,还可通过引入先验来实现其他更丰富类型的约束,并通过控制先验和潜在空间分布来改善解耦效果。此外,还介绍了另一套训练 - 通过元反强化学习学习意图的先验知识
本文通过学习先验 (prior) 函数从其他任务的演示中推断奖励函数 (reward functions),以优化从有限的演示中推断表达丰富的奖励函数的能力,并演示了该方法可以有效地从图像中恢复新任务的奖励。
- 用数据驱动的星星模型提高 extsl {Gaia} 视差精度
利用 2MASS 数据构建一个基于颜色和星等的模型作为先验知识,通过 Extreme Deconvolution 算法从 TGAS 数据计算出 TGAS 星系中每颗恒星更为精确的视差估计和后验概率分布。
- 引导注释的反射分离
本文研究了利用高斯混合模型片段先验来解决图像分解中面临的逆问题。通过在一个稀疏的补丁集合中选择其中一个模式,自动完成分解。实验结果展示了该方法在合成和实际反射图像中的性能。
- KDD具有未知值先验的动态矩阵分解
本文提出了一种基于动态矩阵分解框架的协同过滤方法,该方法允许在未知值上设置显式先验,能够在用户、物品或者评分的数量增加时快速更新分解,从而快速向最近的用户推荐物品。该方法在三个大规模数据集上进行了测试,包括两个非常稀疏的数据集,在静态和动态