从很少的测量数据中恢复图像是成像问题中的一项重要任务。这样做需要假设一个使用一些图像自然的模型。这样的模型称为图像先验。稀疏性等经典先验在某些情况下导致了磁共振成像的加速。随着机器学习的最新发展,神经网络已被证明可以为成像中的逆问题提供高效和有效的先验信息。在本次演讲中,我们将讨论在成像逆问题中使用神经网络生成模型。在合适的随机模型下,我们将为压缩感知和其他逆问题提供一个严格的最优采样复杂度恢复保证。我们将看到,生成模型可从具有最优样本复杂度的通用测量中进行相位恢复和加标矩阵恢复的有效算法。相比之下,在稀疏性先验的情况下,目前还没有有效的算法来解决该问题。我们将讨论神经网络和生成模型作为图像先验的优点、缺点和未来的机会。本演讲旨在教学性质,并将涉及使用非渐近随机矩阵理论的技术性数学结果。

成为VIP会员查看完整内容
21

相关内容

【2022新书】算法高维鲁棒统计,296页pdf与98页ppt
专知会员服务
50+阅读 · 2022年10月21日
视觉的有效扩散模型综述
专知会员服务
91+阅读 · 2022年10月20日
【牛津大学】多级蒙特卡洛方法,70页pdf
专知会员服务
57+阅读 · 2022年2月3日
【经典书】机器学习统计学,476页pdf
专知会员服务
120+阅读 · 2021年7月19日
【经典书】数理统计学,142页pdf
专知会员服务
96+阅读 · 2021年3月25日
专知会员服务
32+阅读 · 2021年2月21日
最新《生成式对抗网络GAN逆转》综述论文,22页pdf
专知会员服务
39+阅读 · 2021年1月19日
【经典书】机器学习高斯过程,266页pdf
专知会员服务
228+阅读 · 2020年5月2日
「高效视觉扩散模型」 最新研究综述
专知
8+阅读 · 2022年10月20日
赛尔笔记 | 自然语言处理中的迁移学习(上)
哈工大SCIR
16+阅读 · 2019年10月17日
【学界】DeepMind论文:深度压缩感知,新框架提升GAN性能
GAN生成式对抗网络
14+阅读 · 2019年5月23日
Deep Image Prior——图像恢复入门
中国人工智能学会
15+阅读 · 2019年2月16日
深度网络自我学习,最终实现更少样本的学习
计算机视觉战队
12+阅读 · 2018年7月30日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
5+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
Arxiv
1+阅读 · 2023年3月2日
Arxiv
12+阅读 · 2023年2月7日
已删除
Arxiv
32+阅读 · 2020年3月23日
Arxiv
15+阅读 · 2019年6月25日
Adversarial Transfer Learning
Arxiv
12+阅读 · 2018年12月6日
VIP会员
相关VIP内容
【2022新书】算法高维鲁棒统计,296页pdf与98页ppt
专知会员服务
50+阅读 · 2022年10月21日
视觉的有效扩散模型综述
专知会员服务
91+阅读 · 2022年10月20日
【牛津大学】多级蒙特卡洛方法,70页pdf
专知会员服务
57+阅读 · 2022年2月3日
【经典书】机器学习统计学,476页pdf
专知会员服务
120+阅读 · 2021年7月19日
【经典书】数理统计学,142页pdf
专知会员服务
96+阅读 · 2021年3月25日
专知会员服务
32+阅读 · 2021年2月21日
最新《生成式对抗网络GAN逆转》综述论文,22页pdf
专知会员服务
39+阅读 · 2021年1月19日
【经典书】机器学习高斯过程,266页pdf
专知会员服务
228+阅读 · 2020年5月2日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
5+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
微信扫码咨询专知VIP会员