MSR-GAN：通过对抗学习进行多段重构
信号处理
2021-02-19 v1
摘要
多段重构（MSR）是在给定含噪部分观测的情况下估计信号的问题。这里每个观测对应于信号的一个随机位置段。虽然先前工作使用模板或矩匹配来解决此问题，但在本文中我们从无监督对抗学习的角度解决 MSR，称为 MSR-GAN。我们将 MSR 表述为分布匹配问题，其目标是恢复信号和段的概率分布，使得遵循已知前向模型的生成观测分布接近真实观测。一旦求解涉及生成器-判别器对的极小极大优化，即可实现这一点。MSR-GAN 主要受 CryoGAN [1] 启发。然而，在 MSR-GAN 中我们不再假设潜变量（即段位置）的概率分布是给定的，并寻求将其与未知信号一起恢复。为此，我们证明生成器侧的损失原本关于段分布是不可微的。因此，我们提议使用 Gumbel-Softmax 重参数化技巧来近似它。我们提出的解决方案可推广到广泛的一类逆问题。我们的仿真结果以及与各种基线的比较验证了我们的方法在不同设置下的潜力。
引用
@article{arxiv.2102.09494,
title = {MSR-GAN: Multi-Segment Reconstruction via Adversarial Learning},
author = {Mona Zehni and Zhizhen Zhao},
journal= {arXiv preprint arXiv:2102.09494},
year = {2021}
}