Network Inversion of Binarised Neural Nets
IIT Bombay(印度理工学院孟买分校)
本文提出将训练好的二值化神经网络编码为CNF公式以实现推理与网络反演,为揭示黑盒性质和确保安全场景下的可信度提供新方法。
2024-02-19 cs.LG
Learned SVD: solving inverse problems via hybrid autoencoding
University of Twente(特文特大学)
我们的世界充满了物理驱动的数据,其中需要数据流形之间的有效映射。人们越来越需要理解基于模型和数据驱动相结合的方法。我们提出了一种非线性的学习奇异值分解(L-SVD),它结合了自动编码器,同时学习和连接所需信号和给定测量的潜在代码。我们提供了一个特定结构的L-SVD,作为正则化方法的收敛性分析。在更一般的设置中,我们通过数据降维来研究模型降维的主题,以获得正则化反演。我们提出了一个很有前途的方向,解决反问题的情况下,底层物理不完全理解或具有非常复杂的行为。我们表明,学习反演映射的构建块可以自动获得,与经典方法相比具有更好的性能,并且比黑盒方法具有更好的可解释性。
2020-09-29 cs.LG eess.IV
Twincher: Towards Robust and Precise Physical AI via Bijective Representation Learning
Department of Physics, University of Gothenburg(哥德堡大学物理系)
本文提出Twincher架构,通过结构化微分同胚变换和对抗训练策略,实现对连续前向过程的鲁棒反演,提升机器人、视觉和物理AI中的数据效率和鲁棒性。
2026-10-28 cs.LG
Solving multiphysics-based inverse problems with learned surrogates and constraints
Georgia Institute of Technology(佐治亚理工学院)
针对地质碳存储监测中多物理场反问题计算成本高的挑战,提出结合学习代理模型与normalizing flow约束的联合反演方法,实现了更准确的多模态渗透率反演与CO2羽流预测。
2023-09-15 cs.AI cs.LG cs.NA
Learned Proximal Networks for Quantitative Susceptibility Mapping
Johns Hopkins University(约翰斯·霍普金斯大学);Kennedy Krieger Institute(肯尼迪·克里格研究所)
定量磁化率映射(QSM)通过解决不适定的偶极子反演问题,从磁共振(MR)相位测量中估计组织磁化率分布。传统的单方向QSM方法通常采用正则化策略来稳定这样的反演,但是可能遭受条纹伪影或过度平滑。多方向QSM,如计算磁化率通过多方向采样(COSMOS)可以得到良好的条件反演和伪影自由的解决方案,但有昂贵的采集成本。另一方面,卷积神经网络(CNN)在医学图像重建方面显示出巨大的潜力,尽管通常具有有限的可解释性。在这里,我们提出了一个学习近端卷积神经网络(LP-CNN),用于以迭代近端梯度下降的方式解决不适定的QSM偶极反演问题。这种方法结合了数据驱动的恢复先验的优势和迭代求解器的清晰可解释性,可以考虑偶极卷积的物理模型。在训练过程中,我们的LP-CNN通过它的近端学习一个隐式正则化器,从而实现重建算法中的前向算子和数据驱动参数之间的解耦。更重要的是,这个框架被认为是第一个深度学习QSM方法,可以自然地处理任意数量的相位输入测量,而不需要任何特别的旋转或重新训练。我们证明,与传统和深度学习方法相比,LP-CNN提供了最先进的重建结果,同时在重建过程中具有更大的灵活性。
2020-08-11 cs.CV cs.LG eess.IV
Structure-aware Bayesian full waveform inversion via diffusion-regularized Stein variational gradient descent
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
该研究针对传统ASVGD-FWI的先验不足问题,将学习型扩散模型作为隐式正则化引入框架,结合FWI数据一致性、ASVGD后验多样性,提升了反演稳定性与不确定性可解释性。
2026-10-15 cs.LG physics.geo-ph stat.ML
BIGPrior: Towards Decoupling Learned Prior Hallucination and Data Fidelity in Image Restoration
School of Computer and Communication Sciences, EPFL(洛桑联邦理工学院计算机与通信科学学院)
经典的图像恢复算法使用各种先验,无论是隐式或显式。它们的先验是手工设计的,并且它们相应的权重是按顺序分配的。因此,深度学习方法通常会产生卓越的图像复原质量。然而,深度网络能够引发强烈且难以预测的幻觉。网络在学习图像先验的同时,隐式地学习共同忠实于观察到的数据;然后,原始数据和超分辨率数据下游的分离是不可能的。这限制了它们在图像复原中的广泛采用。此外,它往往是幻觉的一部分,是受害者的退化模型过拟合。我们提出了一种方法与解耦网络先验的幻觉和数据保真度的条款。我们将我们的框架称为生成先验的贝叶斯集成(BIGPrior)。我们的方法是植根于贝叶斯框架和紧密连接到经典的恢复方法。事实上,它可以被看作是一个大家庭的经典恢复算法的推广。我们使用网络反演从生成网络中提取图像先验信息。我们表明,在图像着色,修复和去噪,我们的框架一贯提高反演结果。我们的方法虽然部分依赖于生成网络反演的质量,但与最先进的监督和特定任务的恢复方法相比具有竞争力。它还提供了一个额外的度量,阐述了相对于数据保真度的每个像素的先前依赖程度。
2022-01-08 cs.CV cs.LG
On the role of memorization in learned priors for geophysical inverse problems
University of Central Florida(中央佛罗里达大学)
本文探讨了深度生成模型在地质反演中的记忆效应,指出训练此类模型可能使先验收敛于经验分布,进而影响反演结果。
2026-03-20 cs.LG physics.geo-ph stat.ML
Autoinverse: Uncertainty Aware Inversion of Neural Networks
Max Planck Institute for Informatics(马克斯·普朗克信息学研究所)
神经网络是许多前向过程的强大替代品。这种替代物的反演在科学和工程中是极其有价值的。一个成功的神经逆方法的最重要的属性是其解决方案在现实世界中部署时的性能,即,在本机转发进程上(而不仅仅是学习的代理)。我们提出了Autoinverse,一个高度自动化的方法来反转神经网络代理。我们的主要观点是在可靠的数据附近寻求逆解,这些数据是从正向过程中采样的,并用于训练代理模型。自逆通过考虑代理的预测不确定性并在反演期间将其最小化来找到此类解决方案。除了高精度外,自逆算法还可以增强解决方案的可行性,带有嵌入式正则化,并且无需初始化。我们验证我们提出的方法,通过解决一组现实世界中的问题,控制,制造和设计。
2022-10-17 cs.AI cs.LG
ML-misfit: Learning a robust misfit function for full-waveform inversion using machine learning
King Abdullah University of Science and Technology(阿卜杜拉国王科技大学)
大多数用于全波形反演(FWI)的高级失配函数都是手工制作的,并且这些失配函数的性能取决于数据。因此,我们建议学习FWI的失配函数,称为ML失配,基于机器学习。受匹配滤波器失配的最佳传输的启发,我们设计了一个神经网络(NN)架构的失配函数的形式类似于比较两个分布的均值和方差。为了保证所得到的学习失配是一个度量,我们适应失配相对于其输入的对称性和元损失函数中的铰链损失正则化项,以满足“三角不等式”规则。在元学习的框架下,我们通过运行FWI来对随机生成的速度模型进行反演来训练网络,并通过最小化元损失来更新NN的参数,元损失被定义为真实模型和反演模型之间的累积差异。我们首先说明了ML-失配的基本原理,用于学习旅行时移信号的凸失配函数。此外,我们训练的神经网络的二维水平分层模型,我们证明了学习ML-失配的有效性和鲁棒性,通过将其应用到著名的Marmousi模型。
2020-03-18 cs.LG physics.app-ph physics.geo-ph
Direct multi-modal inversion of geophysical logs using deep learning
NORCE Norwegian Research Centre(NORCE挪威研究中心);Heriot-Watt University(赫瑞-瓦特大学)
井的地质导向需要地球物理测井的快速解释,这是一个非唯一的反问题。目前的工作提出了一种概念验证方法,使用人工深度神经网络(DNN)的单一评估来进行多模态概率反演。混合密度DNN(MDN)使用“多轨迹预测”(MTP)损失函数进行训练,这避免了传统MDN典型的模式崩溃,并允许在数据之前进行多模式预测。该方法在自然伽马测井实时地层反演中得到了验证。多模态预测器输出几个可能的逆解/预测,提供比使用DNN的确定性回归更准确和更现实的解决方案。对于这些可能的地层曲线,模型同时预测它们的概率,这些概率是从训练地质数据中隐式学习的。从MDN中获得的地层预测及其概率可以在地质不确定性下实现更好的实时决策。
2022-11-09 cs.LG physics.geo-ph
From Displacements to Distributions: A Machine-Learning Enabled Framework for Quantifying Uncertainties in Parameters of Computational Models
University of Colorado Denver(科罗拉多大学丹佛分校);Aalto University(阿尔托大学)
本研究结合数据一致性框架与学习不确定性量化量框架,通过新增鲁棒滤波、时序迭代逆求解等模块,实现工程系统建模中两类不确定性的量化,并通过理论分析与制造场景示例验证了方法的有效性。
2024-03-04 cs.LG stat.ML
Mode matching in GANs through latent space learning and inversion
Indian Institute of Technology Delhi(德里印度理工学院)
生成对抗网络(GANs)在生成非结构化数据(如自然图像)方面取得了显着的成功。然而,在生成的空间中发现和分离模式,这对于天真数据生成之外的几项任务至关重要,仍然是一个挑战。在本文中,我们解决了使用根据真实数据分布的模态属性设计的潜在分布将所需的模态属性强加给生成空间的问题。这是通过训练潜在空间反演网络与使用发散损失的生成网络串联来实现的。潜空间遵循一个连续的多峰分布产生的一对连续和离散的随机变量的重新参数化。此外,模态先验的潜在分布的学习与真实的数据分布使用最小的监督与可忽略不计的增量的可学习参数。我们验证了我们的方法在多个任务,如模式分离,条件生成和属性发现多个真实世界的图像数据集,并证明其有效性超过其他国家的最先进的方法。
2019-03-24 cs.CV cs.LG
Structured Bayesian Gaussian process latent variable model: applications to data-driven dimensionality reduction and high-dimensional inversion
University of Notre Dame(圣母大学)
我们介绍了一种方法,使用变分贝叶斯方法的未知量是一个空间领域的非线性反问题。一个结构化的贝叶斯高斯过程潜变量模型被用来构建一个低维的生成模型的基于样本的随机先验以及替代的前向评估。它的贝叶斯公式捕捉有限数量的输入和输出的例子引入的认知不确定性,自动选择一个适当的维数为学习的潜在表示的数据,并严格传播的不确定性的数据驱动的降维的随机空间通过前向模型代理。结构化的高斯过程模型明确地利用空间信息进行信息生成,从而提高样本效率,同时通过相关核矩阵的克罗内克积分解实现计算易处理性。重要的是,贝叶斯反演是通过求解变分优化问题来进行的,取代了传统的计算昂贵的蒙特卡罗采样。该方法被证明在椭圆型偏微分方程,并返回校准后验,是易于处理的潜在空间超过100个维度。
2018-07-11 cs.LG stat.ML
A Contrast-Source Inversion Scheme Based on Stochastic Optimization and Plug-and-Play Regularization
King Abdullah University of Science and Technology (KAUST)(阿卜杜拉国王科技大学(KAUST))
提出STO-PNP-CSI方案,将随机优化与即插即用正则化结合进对比源反演,降低计算成本并稳定重建,在合成和实验数据上验证了其高精度与鲁棒性。
2026-10-06 cs.IT cs.LG math.IT
Regularized Training of Intermediate Layers for Generative Models for Inverse Problems
Khoury College of Computer Sciences, Northeastern University(东北大学库理计算机学院);Department of Mathematics, Northeastern University(东北大学数学系)
生成对抗网络(GANs)在解决逆问题时已被证明是强大而灵活的先验。使用它们的一个挑战是克服表示误差,这是网络表示任何特定信号的基本限制。最近,多个提出的反演算法通过优化中间层表示来减少表示误差。这些方法通常应用于生成模型,该生成模型被训练为与下游反演算法无关。在我们的工作中,我们引入了一个原则,即如果生成模型旨在使用基于中间层优化的算法进行反演,则应该以正则化这些中间层的方式进行训练。我们实例化这一原则的两个显着的最近的反演算法:中间层优化和多码GAN之前。对于这两种反演算法,我们引入了一种新的正则化GAN训练算法,并证明了在解决压缩感知,修复和超分辨率问题时,学习的生成模型在很宽的采样率范围内具有较低的重建误差。
2022-03-08 cs.CV cs.LG eess.IV
Force-in-domain GAN inversion
Shanghai Jiao Tong University(上海交通大学)
经验研究表明,生成对抗网络(GANs)在训练生成图像时,其潜在空间中会出现各种语义。为了执行真实图像编辑,它需要从真实图像到潜在空间的准确映射,以利用这些学习的语义,这是重要但困难的。最近提出了一种域内GAN逆方法,通过将从逆码获得的重构图像强制在真实图像空间内来将逆码约束在潜在空间内。实验结果表明,域内GAN的反编码可以显著地偏离潜在空间。为了解决这个问题,我们提出了一个强制域GAN的基础上,在域GAN,它利用一个搜索器来强制反转代码的潜在空间。域中力GAN也可以通过稍微修改的循环GAN来解释。大量的实验表明,我们的力域GAN不仅在像素级重建目标图像,而且还对齐反转代码与潜在空间很好的语义编辑。
2021-07-14 cs.CV cs.LG eess.IV
Physics-informed waveform inversion using pretrained wavefield neural operators
Physical Science and Engineering division, King Abdullah University of Science and Technology(国王 Abdullah 科学与技术大学物理科学与工程部门);School of Engineering and Applied Science, University of Pennsylvania(宾夕法尼亚大学工程与应用科学学院)
针对全波形反演计算成本高、神经算子加速方案结果含噪不稳定的问题,提出带物理约束损失的新型FWI框架,实验验证其在保持效率的同时提升了反演精度,推动实时地下监测应用。
2025-10-22 cs.LG physics.geo-ph
Towards Understanding the Benefits of Neural Network Parameterizations in Geophysical Inversions: A Study With Neural Fields
Department of Earth, Ocean and Atmospheric Sciences, University of British Columbia(地球、海洋与大气科学系,不列颠哥伦比亚大学)
本文研究神经场参数化在地球物理反演中的作用,通过地震层析成像与直流电阻率实验及 Jacobian 的 SVD 分析,揭示其固有隐式偏置可抑制伪影并改善模型恢复。
2025-05-22 cs.LG physics.geo-ph stat.ML
SMPL-IK: Learned Morphology-Aware Inverse Kinematics for AI Driven Artistic Workflows
Mila(米拉研究所);University of Montreal(蒙特利尔大学);Unity Technologies(Unity科技公司);Polytechnique Montreal(蒙特利尔理工学院)
逆运动学(IK)系统相对于其输入角色通常是刚性的,因此需要用户干预以适应新的骨架。在本文中,我们的目标是创建一个灵活的,学习IK解算器适用于各种各样的人类形态。我们扩展了一个国家的最先进的机器学习IK解算器上著名的皮肤多人线性模型(SMPL)。我们称我们的模型为SMPL-IK,并表明当集成到实时3D软件中时,这个扩展系统为定义新颖的AI辅助动画工作流程提供了机会。例如,SMPL-IK允许用户在设置角色姿势时修改性别和体形,从而使姿势创作更加灵活。此外,当与现有的姿势估计算法链接时,SMPL-IK通过允许用户从2D图像引导3D场景来加速姿势,同时允许进一步编辑。最后,我们提出了一种新的SMPL形状反转机制(SMPL-SI),以映射任意的人形角色到SMPL空间,允许艺术家利用SMPL-IK自定义字符。除了展示拟议工具的定性演示外,我们还在H36 M和AMASS数据集上展示了定量SMPL-IK基线。
2022-08-16 cs.GR cs.LG
Deriving Differential Target Propagation from Iterating Approximate Inverses
Mila(米拉研究所);U. Montreal(蒙特利尔大学);CIFAR(加拿大高等研究院)
我们表明,一种特定形式的目标传播,即,依赖于每一层的学习逆,这是差分的,即,其中目标是前向传播的小扰动,产生对应于近似的基于高斯-牛顿梯度的优化的更新规则,而不需要大矩阵的操作或求逆。有趣的是,这在生物学上比反向传播更合理,但可能会隐含地提供更强的优化过程。扩展差分目标传播,我们考虑基于每层的局部自编码器的几个迭代计算,以便实现更精确的反演以获得更准确的目标传播,并且我们表明,如果自编码函数减去恒等函数具有小于1的Lipschitz常数,则这些迭代过程以指数方式快速收敛,即,自动编码器粗略地成功执行反转。我们还提出了一种方法来规范化每一层的变化,以考虑每一层对输出的相对影响,以便在更有影响力的层上进行更大的权重变化,就像在普通的反向传播中使用梯度下降一样。
2020-08-17 cs.LG stat.ML
Functional-prior-based approaches to Bayesian PDE-constrained inversion using physics-informed neural networks
Disaster Prevention Research Institute, Kyoto University(京都大学灾害预防研究所);RIKEN Center for Advanced Intelligence Project(理化学研究所先进智能项目中心)
本文提出功能先验方法,用于贝叶斯偏微分方程约束反演,通过结合物理信息神经网络,引入功能先验以提高反演精度,并展示了两种互补方法:FPI-BPINN和fParVI-PINN,分别在权重空间和函数空间进行贝叶斯推断。
2026-08-14 cs.LG physics.comp-ph physics.geo-ph
Sparse-promoting Full Waveform Inversion based on Online Orthonormal Dictionary Learning
Center for Energy and Geo Processing (CeGP) at Georgia Tech and KFUPM(乔治亚理工学院与法赫德国国石油矿物大学能源与地球处理中心)
全波形反演(FWI)通过迭代地最小化记录的和计算的地震资料之间的失配来提供地下的高分辨率图像。它已经成功地攻击高斯-牛顿方法和稀疏促进正则化的基础上固定的多尺度变换,允许显着的子采样的地震资料时,在每个FWI数据拟合迭代的模型扰动可以表示与稀疏系数。而不是使用分析变换与预定义的字典,以实现稀疏表示,我们引入了一个自适应变换称为稀疏正交变换(SOT),其字典是从许多小的训练补丁从模型扰动在以前的迭代学习。基于补丁的字典被约束为正交规范,并使用在线方法进行训练,以提供整个模型扰动的复杂特征和变化的最佳稀疏表示。训练方法的复杂度与一个小块中样本数量的立方成正比。通过将压缩子采样和基于自适应SOT的表示结合到每个FWI迭代的高斯-牛顿最小二乘问题中,可以在对SOT系数应用l1范数稀疏约束之后恢复模型扰动。合成模型的数值实验表明,基于SOT的稀疏促进正则化可以提供强大的FWI结果,减少计算。
2016-11-04 cs.LG cs.NA math.NA
The impact of observation density on Bayesian inversion of latent dynamics in shock-dominated flows
Department of Mechanical and Aerospace Engineering, University of Tennessee, Knoxville(田纳西大学机械与航空航天工程系)
本文提出了一种非侵入式降阶建模框架,用于高效贝叶斯初始状态反演与不确定性量化,通过卷积自编码器和学习的潜空间前向算子结合,以提高冲击主导流动中潜变量动态的反演精度和效率。
2026-05-18 cs.LG physics.flu-dyn
DECT-MULTRA: Dual-Energy CT Image Decomposition With Learned Mixed Material Models and Efficient Clustering
Department of Electrical Engineering and Computer Science, University of Michigan, Ann Arbor, MI, 48109 USA(美国密歇根大学安娜堡分校电气工程与计算机科学系)
双能量计算机断层扫描(DECT)成像由于其材料分解能力在高级成像应用中起着重要作用。图像域分解使用线性矩阵求逆直接在CT图像上操作,但是分解的材料图像可能由于噪声和伪影而严重退化。本文提出了一种新的方法称为DECT-MULTRA图像域DECT材料分解,结合传统的惩罚加权最小二乘(PWLS)估计与正则化的基础上学习变换(MULTRA)模型的混合联盟。我们提出的方法预先学习从所有基础材料中提取的补丁的通用材料稀疏化变换的联合,以及从多材料补丁的跨材料稀疏化变换的联合。共材质变换捕捉不同材质图像之间的共同属性,而跨材质变换捕捉交叉依赖性。所提出的PWLS制定有效地优化交替之间的图像更新步骤和稀疏编码和聚类步骤,这两个步骤具有封闭形式的解决方案。我们的方法的有效性与XCAT体模和临床头部数据进行了验证。结果表明,我们提出的方法提供了优越的材料图像质量和分解精度相比,其他竞争的方法。
2019-08-18 cs.LG eess.IV stat.ML
Composing Flow-Matching Energies with Known Physics: Generation, OOD Detection, and Inversion on PDE Fields
本研究提出带势诱导速度的流匹配模型,生成显式标量能量,实现能量校正生成、OOD检测及反问题后验采样,可降低PDE残差、提升OOD检测精度。
2026-08-19 cs.LG physics.comp-ph
Graph Neural Regularizers for PDE Inverse Problems
Department of Applied Mathematics University of Cambridge(应用数学系剑桥大学);Department of Computer Science University College London(计算机科学系伦敦大学学院)
提出一种结合有限元反演与物理启发图神经网络的迭代正则化框架,用于求解PDE不适定反问题,实验证明其优于经典方法并实现高精度重建。
2025-10-23 cs.LG cs.NA math.NA
Physics-informed UNets for Discovering Hidden Elasticity in Heterogeneous Materials
University of Arizona College of Engineering(亚利桑那大学工程学院)
本文提出物理信息卷积模型 El-UNet 及自适应空间损失加权方法,利用应变图、边界条件和物理约束反演异质材料的弹性参数分布,在精度、速度上优于全连接 PINN。
2023-06-07 cond-mat.soft cs.LG
Probabilistic Graphical Model using Graph Neural Networks for Bayesian Inversion of Discrete Structural Component States
Key Lab of Smart Prevention and Mitigation of Civil Engineering Disasters of the Ministry of Industry and Information Technology(工信部智能防灾减灾重点实验室);Harbin Institute of Technology(哈尔滨工业大学);Key Lab of Structures Dynamic Behavior and Control of the Ministry of Education, School of Civil Engineering, Harbin, Institute of Technology(教育部结构动力行为与控制重点实验室,土木工程学院);The Institute of Statistical Mathematics, Research Organization of Information and Systems(统计数学研究所,信息与系统研究机构);The Graduate University for Advanced Studies, SOKENDAI(高等研究大学,SOKENDAI);Division of Engineering and Applied Science, California Institute of Technology(工程与应用科学系,加州理工学院)
本文提出基于概率图模型的新型贝叶斯反演方法,利用图神经网络实现高效离散状态推断,解决高维参数和非解析似然函数带来的计算挑战。
2026-04-29 cs.LG stat.ME stat.ML
Latent Space Inference via Paired Autoencoders
本文提出一种基于配对自编码器的潜在空间推断框架,通过学习潜在空间映射实现反问题求解,提升数据不一致情况下的重建精度。
2026-01-16 cs.LG cs.NA math.NA
Explainable nonlinear modelling of multiple time series with invertible neural networks
University of Agder(阿格德大学)
提出了一种非线性拓扑辨识方法,该方法基于以下假设:时间序列的集合由两个步骤生成:i)潜在空间中的向量自回归过程; ii)非线性、分量、单调增加的观测映射。后一种映射被假设为可逆的,并被建模为浅层神经网络,因此可以对它们的逆进行数值计算,并且可以使用深度学习中启发的技术来学习它们的参数。由于函数反演,反向传播步骤并不简单,本文解释了应用隐式微分计算梯度所需的步骤。虽然模型的解释能力是相同的线性VAR过程,初步的数值试验表明,预测误差变得更小。
2021-07-01 cs.LG eess.SP
Latent Diffusion Posterior Sampling with Surrogate Likelihood Guidance for PDE Inverse Problems
Department of Civil and Environmental Engineering(土木与环境工程系);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
提出L-DPS框架,结合VAE、潜扩散模型和可微代理,高效求解PDE逆问题,在达西流逆问题中优于现有方法。
2026-06-26 cs.CE cs.LG
PETAL: Physics Emulation Through Averaged Linearizations for Solving Inverse Problems
Georgia Institute of Technology(佐治亚理工学院)
提出PETAL方法,通过将正向模型线性化嵌入学习的加权平均模型中构建物理仿真器,提升正向建模精度与梯度信息,实现更准确的信号恢复,并在海洋声学层析示例中验证有效性。
2023-05-18 cs.LG eess.SP
Sampling Data with Chains of Forward-Backward Diffusion Steps
Johns Hopkins University(约翰霍普金斯大学);EPFL(瑞士联邦理工学院);University of Göttingen(哥廷根大学)
提出U-turn链,通过扩散模型的短前向-反向步骤迭代构造马尔可夫链,结合Metropolis-Hastings校正从能量修正目标中采样,并发现最小U-turn动力学经历由数据流形碎片化驱动的遍历性破缺相变。
2026-05-26 cond-mat.dis-nn cs.LG stat.ML
Introduction to Regularization and Learning Methods for Inverse Problems
Helmholtz Imaging, Deutsches Elektronen-Synchrotron DESY(亥姆霍兹成像平台,德国电子同步加速器(DESY));University of Hamburg(汉堡大学)
本讲义介绍逆问题的数学概念,涵盖经典正则化理论(如Tikhonov和稀疏正则化)及现代深度学习方法(如学习型正则化、即插即用方法等),为逆问题求解提供理论与实践框架。
2025-08-25 cs.LG cs.NA math.NA
Deep Preconditioners and their application to seismic wavefield processing
KAUST(阿卜杜拉国王科技大学)
震测资料处理在很大程度上依赖于物理驱动的反问题的求解。在存在不利的数据采集条件(例如,源和/或接收器的规则或不规则粗采样),潜在的逆问题变得非常不适定,并且需要先验信息来获得满意的解。稀疏促进反演,再加上固定基稀疏化变换,代表了许多处理任务的方法,由于其简单的实施和证明成功的应用程序在各种采集方案。利用深度神经网络找到复杂多维向量空间的紧凑表示的能力,我们提出训练AutoEncoder网络来学习输入地震资料和代表性潜在流形之间的直接映射。训练后的解码器随后被用作手头的物理驱动的逆问题的非线性预处理器。合成和现场数据提出了各种地震处理任务和建议的非线性,学习的变换表现优于固定基变换和收敛速度更快的寻求解决方案。
2022-07-20 cs.LG math-ph math.MP
A Paired Autoencoder Framework for Inverse Problems via Bayes Risk Minimization
Emory University(埃默里大学)
提出配对自编码器框架,通过贝叶斯风险最小化学习潜在空间映射,解决逆问题,在无监督数据充足而监督数据稀缺时优于现有方法,并提供廉价评估指标。
2025-01-24 cs.LG cs.NA math.NA