Motivated by the application of neural networks in super resolution microscopy, this paper considers super resolution as the mapping of trigonometric moments of a discrete measure on $[0,1)^d$ to its support and weights. We prove that this map satisfies a local Lipschitz property where we give explicit estimates for the Lipschitz constant depending on the dimension $d$ and the sampling effort. Moreover, this local Lipschitz estimate allows to conclude that super resolution with the Wasserstein distance as the metric on the parameter space is even globally Lipschitz continuous. As a byproduct, we improve an estimate for the smallest singular value of multivariate Vandermonde matrices having pairwise clustering nodes.


翻译:在超分辨率显微镜应用神经网络的推动下,本文将超分辨率视为对其支持和重量的 $[0,1,1美元] 上离散测量的三角测量时间的绘图。 我们证明,该地图符合当地Lipschitz 属性,我们根据尺寸和取样努力对Lipschitz 常数作出明确估计。此外,当地Lipschitz 估计可以得出这样的结论,即以瓦塞斯坦距离作为参数空间的测量标准,甚至在全球范围都是连续的。作为副产品,我们改进了多变量 Vandermonde 矩阵最小单值的估算,并配对组合节点。

0
下载
关闭预览

相关内容

如何撰写一篇好的科研论文?这份22页ppt为你指点一二
专知会员服务
63+阅读 · 2021年7月11日
专知会员服务
29+阅读 · 2020年12月14日
最新《联邦学习Federated Learning》报告,Federated Learning
专知会员服务
86+阅读 · 2020年12月2日
【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
【NeurIPS 2020】对比学习全局和局部医学图像分割特征
专知会员服务
43+阅读 · 2020年10月20日
【机器学习术语宝典】机器学习中英文术语表
专知会员服务
59+阅读 · 2020年7月12日
人工智能 | NIPS 2019等国际会议信息8条
Call4Papers
7+阅读 · 2019年3月21日
【NIPS2018】接收论文列表
专知
5+阅读 · 2018年9月10日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
随波逐流:Similarity-Adaptive and Discrete Optimization
我爱读PAMI
5+阅读 · 2018年2月6日
NIPS 2017:贝叶斯深度学习与深度贝叶斯学习(讲义+视频)
机器学习研究会
36+阅读 · 2017年12月10日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
0+阅读 · 2021年10月14日
Arxiv
4+阅读 · 2020年1月17日
Arxiv
8+阅读 · 2019年2月15日
VIP会员
相关资讯
人工智能 | NIPS 2019等国际会议信息8条
Call4Papers
7+阅读 · 2019年3月21日
【NIPS2018】接收论文列表
专知
5+阅读 · 2018年9月10日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
随波逐流:Similarity-Adaptive and Discrete Optimization
我爱读PAMI
5+阅读 · 2018年2月6日
NIPS 2017:贝叶斯深度学习与深度贝叶斯学习(讲义+视频)
机器学习研究会
36+阅读 · 2017年12月10日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员