Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > eess > arXiv:2507.12432

帮助 | 高级搜索

电气工程与系统科学 > 图像与视频处理

arXiv:2507.12432 (eess)
[提交于 2025年7月16日 ]

标题: 基于能量的逆成像模型

标题: Energy-based models for inverse imaging problems

Authors:Andreas Habring, Martin Holler, Thomas Pock, Martin Zach
摘要: 本章我们全面概述了在逆成像问题背景下使用能量模型(EBMs)的情况。 EBMs 是通过适当的能量泛函 $E$建模的 Gibbs 密度 $p(x) \propto \exp{-E(x)}$概率分布。 在本章中,我们介绍了贝叶斯逆问题的严格理论,包括有限维和无限维设置下的适定性和稳定性结果。 随后我们讨论了 EBMs 在贝叶斯逆问题中的使用,并解释了从数据中学习 EBMs 的最相关技术。 作为贝叶斯逆问题的关键部分,我们涵盖了几种用于从 EBMs 中采样的流行算法,即 Metropolis-Hastings 算法、Gibbs 抽样、Langevin 蒙特卡洛和哈密顿蒙特卡洛。 此外,我们展示了通过利用允许显式验证有效能量模型所需属性的 EBM 解决多个逆成像问题的数值结果。
摘要: In this chapter we provide a thorough overview of the use of energy-based models (EBMs) in the context of inverse imaging problems. EBMs are probability distributions modeled via Gibbs densities $p(x) \propto \exp{-E(x)}$ with an appropriate energy functional $E$. Within this chapter we present a rigorous theoretical introduction to Bayesian inverse problems that includes results on well-posedness and stability in the finite-dimensional and infinite-dimensional setting. Afterwards we discuss the use of EBMs for Bayesian inverse problems and explain the most relevant techniques for learning EBMs from data. As a crucial part of Bayesian inverse problems, we cover several popular algorithms for sampling from EBMs, namely the Metropolis-Hastings algorithm, Gibbs sampling, Langevin Monte Carlo, and Hamiltonian Monte Carlo. Moreover, we present numerical results for the resolution of several inverse imaging problems obtained by leveraging an EBM that allows for the explicit verification of those properties that are needed for valid energy-based modeling.
主题: 图像与视频处理 (eess.IV)
引用方式: arXiv:2507.12432 [eess.IV]
  (或者 arXiv:2507.12432v1 [eess.IV] 对于此版本)
  https://doi.org/10.48550/arXiv.2507.12432
通过 DataCite 发表的 arXiv DOI(待注册)

提交历史

来自: Martin Zach [查看电子邮件]
[v1] 星期三, 2025 年 7 月 16 日 17:20:28 UTC (16,091 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
eess.IV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-07
切换浏览方式为:
eess

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号