基于压缩自编码器的变分贝叶斯图像复原
计算机视觉与模式识别
2025-08-28 v4 机器学习
摘要
逆问题的正则化在计算成像中至关重要。神经网络学习高效图像表示的能力近来被用于设计强大的数据驱动正则化器。尽管最先进的即插即用(PnP)方法依赖于神经去噪器提供的隐式正则化,另一些贝叶斯方法则在生成模型的潜空间中进行最大后验(MAP)估计,从而实现显式正则化。然而,最先进的深度生成模型相较于去噪器需要海量训练数据。此外,其复杂性阻碍了潜空间MAP推导中所涉及的优化。在本工作中,我们首先提出改用压缩自编码器。这些网络可视为具有灵活潜先验的变分自编码器,比最先进的生成模型更小且更易训练。作为第二项贡献,我们引入了变分贝叶斯潜估计(VBLE)算法,该算法在变分推断框架下执行潜估计。得益于对变分后验简单而高效的参数化,VBLE能够实现快速且简便的(近似)后验采样。在BSD和FFHQ图像数据集上的实验结果表明,VBLE达到了与最先进PnP方法相近的性能,同时能够比其它现有后验采样技术显著更快地量化不确定性。本文相关代码见 https://github.com/MaudBqrd/VBLE。
引用
@article{arxiv.2311.17744,
title = {Variational Bayes image restoration with compressive autoencoders},
author = {Maud Biquard and Marie Chabert and Florence Genin and Christophe Latry and Thomas Oberlin},
journal= {arXiv preprint arXiv:2311.17744},
year = {2025}
}