使用可微分代理模型学习黑箱模型的实例特定参数
计算机视觉与模式识别
2024-11-27 v2
摘要
调节非可微分或黑箱计算的参数具有挑战性。现有方法主要依赖于从参数空间进行随机抽样或网格抽样。此外，凭借当前所有方法，无法为黑箱提供输入特定的参数。鉴于目前没有任何工作能够在黑箱中学习输入特定参数，我们本文首次实现了这一目标。作为测试应用，我们选取了流行的图像去噪方法 BM3D 作为我们的黑箱计算。然后，我们使用可微分代理模型（神经网络）来逼近黑箱行为。接着，使用另一个神经网络以端到端的方式学习黑箱的输入实例特定参数。受先前在代理基于优化方面的进展的启发，我们将该方法应用于 Smartphone Image Denoising Dataset（SIDD）和 Color Berkeley Segmentation Dataset（CBSD68）用于图像去噪。结果令人印象深刻，显示出 PSNR 的显著提升以及 SSIM 接近 0.93 的显著性改进。实验结果凸显了该方法在实现模型性能和优化效率双重显著提升方面的有效性。关于代码和实现细节，请参阅我们的 GitHub 仓库：https://github.com/arnisha-k/instance-specific-param
引用
@article{arxiv.2407.17530,
title = {Learning Instance-Specific Parameters of Black-Box Models Using Differentiable Surrogates},
author = {Arnisha Khondaker and Nilanjan Ray},
journal= {arXiv preprint arXiv:2407.17530},
year = {2024}
}
备注
10 pages, 9 figures