用于图像恢复问题后验采样的正则化条件 GAN
计算机视觉与模式识别
2023-10-30 v5
摘要
在图像恢复问题中，人们试图从失真、不完整和/或含噪损坏的观测中推断图像。此类问题出现在磁共振成像（MRI）、计算机断层扫描、去模糊、超分辨率、修复、相位恢复、图像到图像翻译以及其他应用中。给定信号/观测对的训练集，我们寻求的不仅仅是生成一个良好的图像估计。相反，我们旨在快速且准确地从后验分布中采样。为此，我们提出一种正则化条件 Wasserstein GAN，每秒可生成数十个高质量后验样本。我们的正则化包含一个 惩罚项和一个自适应加权标准差奖励。使用条件 Fréchet inception distance 等定量评估指标，我们证明我们的方法在多线圈 MRI 和大规模修复应用中均生成了最先进的（state-of-the-art）后验样本。我们模型的代码可在此处找到：https://github.com/matt-bendel/rcGAN
引用
@article{arxiv.2210.13389,
title = {A Regularized Conditional GAN for Posterior Sampling in Image Recovery Problems},
author = {Matthew Bendel and Rizwan Ahmad and Philip Schniter},
journal= {arXiv preprint arXiv:2210.13389},
year = {2023}
}