利用变分生成模型结合测量系统知识进行信号复原

从一系列间接测量中复原信号是科学与工程中许多成像、计量和表征平台的常见任务。由于大多数间接测量过程可由物理模型很好地描述，信号复原可通过强制测量一致性与信号先验知识的迭代优化来求解。这些迭代过程耗时，且只能处理线性测量过程和凸信号约束。近来，神经网络被广泛采用以通过逼近测量模型的反向来取代迭代信号复原方法。然而，具有确定性过程的网络未能区分病态测量系统中的信号歧义，且复原信号常缺乏与测量的一致性。本工作中，我们引入变分生成模型来捕获给定特定测量时所有可能信号的分布。通过在变分生成框架中利用已知的测量模型，我们的信号复原过程解决了前向过程中的歧义，并学会在多种线性和非线性病态系统中以高保真度复原满足测量的信号，包括超快脉冲复原、编码孔径压缩视频感知以及菲涅耳全息图图像复原。