逆散射潜空间中非线性依赖关系的建模
计算机视觉与模式识别
2022-03-22 v1
摘要
Angles 和 Mallat 于 2018 年提出的逆散射问题，涉及训练一个深度神经网络来逆推应用于图像的散射变换。训练好这样的网络后，只要我们能从散射系数主成分的分布中采样，它就可以用作生成模型。为此，Angles 和 Mallat 简单地使用了独立高斯分布的样本。然而，如本文所示，所关注的分布实际上可能与正态分布相去甚远，并且不同系数之间可能存在不可忽略的依赖关系。这促使我们使用允许变量间存在非线性依赖关系的模型来刻画该分布。本文探索了两种此类模型，即变分自编码器（Variational AutoEncoder）和生成对抗网络（Generative Adversarial Network）。我们证明，在某些数据集上获得的结果可以极其逼真，并且看起来优于 Angles 和 Mallat 所产生的结果。所进行的元分析还表明，与现有的图像生成模型相比，这种构建的生成模型在训练过程效率方面具有明显的实际优势。
引用
@article{arxiv.2203.10307,
title = {Modelling nonlinear dependencies in the latent space of inverse scattering},
author = {Juliusz Ziomek and Katayoun Farrahi},
journal= {arXiv preprint arXiv:2203.10307},
year = {2022}
}