用于集体 corruption 去除的鲁棒自编码器
图像与视频处理
2023-03-07 v1 人工智能
计算机视觉与模式识别
机器学习
信号处理
摘要
鲁棒PCA是在存在稀疏 corruption 或罕见离群点时学习线性子空间的标准工具。那么，对于作为自然数据(如图像)更真实模型的流形，如何进行鲁棒学习？近来已有若干尝试将鲁棒PCA推广至流形设置。本文中，我们基于深度自编码器执行流形学习这一直觉，提出了一种出人意料地紧凑的构造所形成的与尺度不变鲁棒自编码器。我们在多个标准图像数据集上证明，所提方法在无需干净图像训练的情况下，于集体去除稀疏 corruption 方面显著优于以往所有方法。此外，我们还表明所学流形结构可有效泛化至未见数据样本。
引用
@article{arxiv.2303.02828,
title = {Robust Autoencoders for Collective Corruption Removal},
author = {Taihui Li and Hengkang Wang and Peng Le and XianE Tang and Ju Sun},
journal= {arXiv preprint arXiv:2303.02828},
year = {2023}
}
备注
This paper has been accepted to ICASSP2023