- 变分和机器学习逆问题方法的稳健性和探索性研究综述
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。
- 最小压力梯度原则:不可压缩流体力学中物理驱动学习的替代基础
应用基于变分方法的物理信息学习到流体力学领域的最新进展,使用最小压力梯度原理和连续性约束训练神经网络来预测不可压缩流体中的流场,演示了其实现并展示了相对传统方法减少每个训练时代的计算时间。
- 用于图像去噪的深度正则化压缩学习的无批次随机梯度下降
基于最大后验贝叶斯框架和深度神经网络,本文提出了两种随机梯度下降算法用于从大规模训练数据库中恢复深度正则化参数,以提高去噪效果。
- 使用 Beta 散度的变分自监督对比学习
使用未标记和噪声数据学习鉴别性语义空间的问题在多标签设置中尚未解决。我们提出了一种对数据噪声具有鲁棒性的对比自监督学习方法,该方法基于变分方法领域。该方法利用变分对比学习和贝塔分散度从未标记的数据集中学习,包括未策划和嘈杂的数据集。通过在面 - 贝叶斯神经网络的结构化随机失活变分推断
提出一种新颖的变分结构近似方法 (VSD),它通过引入正交变换来学习可信复杂度的变分高斯噪声上的结构表示,并在近似后验中引入统计依赖性来解决 Variational Dropout 方法的问题,从而提高了先前 Variational dro - ECCVLevelSet R-CNN: 实例分割的深度变分方法
介绍了一种将现有的深度学习模型和变分分割方法结合的方法,该方法利用深度特征和能量函数优化得到高精度的实例分割掩码,适用于机器人操作和自动驾驶等各种现代应用。
- ICLR神经微分方程用于单幅图像超分辨率
本研究使用变分图像复原方法中的偏微分方程对不同类型的神经微分方程和反向传播方法进行基准测试,发现传统的 adjoint 方法不稳定,稳定性更好的离散敏感度分析方法在单张图像超分辨率模型中取得了与当前最新模型相当的性能。
- 端到端变分网络用于加速 MRI 重建
MRI 速度慢的问题得到了通过多视图采集和少量样本采集的两种方法的互补。本文介绍了一种新方法,采用学习完全端到端的方式扩展了先前提出的变分方法。在 fastMRI 数据集上,我们的方法获得了新的最先进的结果,适用于脑部和膝盖的 MRI。
- 关于贝叶斯神经网络中近似推断表现的探讨
通过研究两种常见的变分方法,该文证明了在低不确定性区域之间不存在过多信息增加的情况,并提供了深度神经网络中的柔性不确定性估计的近似贝叶斯后验分布,但发现了类似于单隐层 ReLU 情况的病理现象。
- 一种轻量级的光流卷积神经网络 - 重审数据准确性和正则化
本文提出了一个名为 LiteFlowNet2 的网络,主要用于光流估计问题,它使用卷积神经网络来计算光流,同时使用流正则化来解决异常和模糊问题,并实现了特征扭曲,而不是像 FlowNet2 和 SPyNet 那样变换图像,这通过轻量级级联流 - 图像恢复的近端内点方法的深度展开
通过深度展开法,结合了变分方法和深度学习的模型避免了超参数需要耗费大量时间并提高了计算效率,成功实现了图像恢复,结果远优于传统方法。
- 互信息测量的形式限制
本文证明了任何互信息测量方法都有严重的统计限制,证明了从 N 个样本估计的任何分布自由、高置信度的互信息的下限均不能超过 O (ln N)。
- 可扩展贝叶斯状态空间模型的变分推断与 SMC 取样算法
本文提出了一种可扩展的近似贝叶斯推断方法,在泛型状态空间模型中,相较于粒子 MCMC 提供了动态潜在状态和模型静态参数的完全贝叶斯推断,从而在多元随机波动模型和自激兴奋点过程模型中实现了可扩展的推断。
- NIPS深度学习模型的描述长度
通过实验证明,即使考虑到参数编码,深度神经网络仍能够压缩训练数据,而这种压缩视角最初激励了神经网络中变分方法的使用。我们发现,这些变分方法提供了惊人的较差压缩界限,这可能解释了变分方法在深度学习中相对较差的实际性能。另一方面,简单的增量编码 - 利用深度潜变量模型的精确似然
本文探讨了深度潜变量模型中精确似然的一般性质及其在实践中的应用,特别是关于参数估计和缺失数据插补。作者介绍了一种基于条件似然的算法,用于深度潜变量模型中的缺失数据插补,并在多个数据集中对比了该算法和通常用于 DLVMs 的插补方案,结果表明 - 逆问题的现代正则化方法
本文综述了现代非线性正则化方法的发展,包括变分方法、图像处理和学习理论等,重点讨论其分析、应用和未来研究问题。
- 学习模型重新参数化:通过拟合 MCMC 分布实现隐式变分推断
介绍了一种新的算法,该算法通过再参数化、马尔可夫链蒙特卡罗和变分方法相结合,构建了一种非常灵活的隐式变分分布,避免了计算 Log 密度比率,因此易于适用于任意连续且可微模型,并且演示了拟合香蕉形状分布和训练变分自动编码器的应用。
- 学习邻近算子:使用降噪网络来规则化逆成像问题
本文研究探讨通过使用去噪神经网络替代凸优化算法中的正则化程式近算,使得数据项和正则化项可以独立选择并结合。在图像去模糊和去马赛克问题中,通过使用固定的去噪神经网络,本文取得了最先进的重建效果,并且该方法具有很高的通用性和较少的问题特定训练需 - 高斯过程半监督学习和半描述学习
本文提出了一种利用变分方法处理非线性高斯过程映射中半描述输入的高斯过程框架,完美解决半监督学习和半描述学习问题,并可控制不确定性和补全缺失数据,以及在迭代预测和回归 / 分类中显著提高性能的实验结果。
- 图像去模糊技术的最新进展
本文对图像去模糊技术的最新发展,包括非盲目 / 盲目、空间不变 / 变异去模糊技术进行了综述,通过分析现有方法如何处理去模糊任务中的病态问题,将现有方法分为五类:贝叶斯推断框架、变分方法、稀疏表示方法、单应性建模和区域方法。虽然这些方法已经