面向高速传感器数据的深度生成模型贝叶斯推断：面向汽车雷达与医学成像的应用

深度生成模型主要在自然图像和计算机视觉领域得到研究和发展。这推动了开发（贝叶斯）方法，利用这些生成模型解决图像恢复中的逆问题，如去噪、图像填充和超分辨率。在近年来，针对感性数据进行生成建模进行贝叶斯推断也逐渐受到关注。然而，将最初为自然图像设计的生成建模技术直接应用于原始感性数据并不直接，需要解决高动态范围信号来自多个传感器或传感器阵列的问题，这些信号相互干扰，通常以非常高的速率获取。此外，精确的物理数据生成过程往往是复杂的或未知的。作为结果，使用近似模型，导致模型预测与观察值之间的差异为非高斯，这反过来又复杂化了贝叶斯逆问题。最后，感性数据常用于实时处理或决策系统，这对诸如延迟和吞吐量等提出严格要求。在本文中，我们将讨论这些挑战，并提供方法应对这些挑战，所有这些都在汽车雷达和医学成像等高速实时感知应用的背景下进行。