即插即用分裂吉布斯采样器:在贝叶斯推断中嵌入深度生成先验
机器学习
2023-04-24 v1 计算机视觉与模式识别
机器学习
摘要
本文介绍了一种随机即插即用(PnP)采样算法,其利用变量分裂高效地从后验分布中采样。该基于分裂吉布斯采样(SGS)的算法从交替方向乘子法(ADMM)中汲取灵感,将后验采样的艰巨任务划分为两个更简单的采样问题。第一个问题依赖于似然函数,而第二个问题被解释为一个贝叶斯去噪问题,可由深度生成模型轻松完成。具体而言,为便于说明,本文使用最先进的基于扩散的生成模型来实现所提方法。与其确定性的基于 PnP 的对应方法类似,所提方法的显著优势在于无需显式选择先验分布,而是将其编码进预训练的生成模型中。然而,不同于通常仅提供点估计的优化方法(如 PnP-ADMM),所提方法能以合理的额外计算代价,使常规贝叶斯估计量附带置信区间。在常见研究的图像处理问题上的实验说明了该采样策略的高效性。其性能与近期最先进的优化和采样方法进行了比较。
引用
@article{arxiv.2304.11134,
title = {Plug-and-Play split Gibbs sampler: embedding deep generative priors in Bayesian inference},
author = {Florentin Coeurdoux and Nicolas Dobigeon and Pierre Chainais},
journal= {arXiv preprint arXiv:2304.11134},
year = {2023}
}