深度端到端后验能量(DEEPEN)用于图像恢复
图像与视频处理
2025-03-24 v1 计算机视觉与模式识别
机器学习
摘要
当前的端到端(E2E)和可插即用(PnP)图像重建算法虽然可以近似求解最大后验估计(MAP)，但无法像扩散模型那样从后验分布中进行抽样。相反，扩散模型在E2E方式下训练颇具挑战。本文引入一种深度端到端后验能量(Deep End-to-End Posterior ENergy, DEEPEN)框架，使其能够实现MAP估计与抽样。我们使用最大似然优化在E2E方式中学习后验的参数，该后验由数据一致性误差与负对数先验分布之和组成。该方法无需算法展开，因此相较于当前E2E方法具有更小的计算和内存占用，同时也无需当前PnP方法通常需要的收缩约束。我们的实验结果表明，DEEPEN在MAP设置下优于当前E2E和PnP模型，同时在抽样速度上也优于扩散模型。此外，我们观察到所学习的能量基模型对图像获取设置变化的鲁棒性更强。
引用
@article{arxiv.2503.17244,
title = {Deep End-to-End Posterior ENergy (DEEPEN) for image recovery},
author = {Jyothi Rikhab Chand and Mathews Jacob},
journal= {arXiv preprint arXiv:2503.17244},
year = {2025}
}