arXiv:1905.11672v5 Announce Type: replace 
Abstract: Trained generative models have shown remarkable performance as priors for inverse problems in imaging -- for example, Generative Adversarial Network priors permit recovery of test images from 5-10x fewer measurements than sparsity priors. Unfortunately, these models may be unable to represent any particular image because of architectural choices, mode collapse, and bias in the training dataset. In this paper, we demonstrate that invertible neural networks, which have zero representation error by design, can be effective natural signal priors at inverse problems such as denoising, compressive sensing, and inpainting. Given a trained generative model, we study the empirical risk formulation of the desired inverse problem under a regularization that promotes high likelihood images, either directly by penalization or algorithmically by initialization. For compressive sensing, invertible priors can yield higher accuracy than sparsity priors across almost all undersampling ratios, and due to their lack of representation error, invertible priors can yield better reconstructions than GAN priors for images that have rare features of variation within the biased training set, including out-of-distribution natural images. We additionally compare performance for compressive sensing to unlearned methods, such as the deep decoder, and we establish theoretical bounds on expected recovery error in the case of a linear invertible model.

تسلط دراسة حديثة الضوء على التقدم في النماذج التوليدية القابلة للعكس لمعالجة المشكلات العكسية في التصوير. لقد أثبتت هذه النماذج، وخاصة الشبكات التنافسية التوليدية، أنها تقلل بشكل كبير من عدد القياسات اللازمة لاستعادة الصور، متفوقة على الأساليب التقليدية. ومع ذلك، لا تزال هناك تحديات مثل أخطاء التمثيل والتحيز في مجموعة البيانات. هذه الأبحاث مهمة لأنها لا تعرض فقط إمكانيات هذه النماذج، بل تتناول أيضًا قيودها، مما يمهد الطريق لتطبيقات أكثر موثوقية في تكنولوجيا التصوير.

Un estudio reciente destaca los avances en modelos generativos invertibles para abordar problemas inversos en la imagen. Estos modelos, especialmente las Redes Generativas Antagónicas (GAN), han demostrado reducir significativamente el número de mediciones necesarias para recuperar imágenes, superando a los métodos tradicionales. Sin embargo, aún existen desafíos como los errores de representación y los sesgos en los conjuntos de datos. Esta investigación es crucial, ya que no solo muestra el potencial de estos modelos, sino que también aborda sus limitaciones, allanando el camino para aplicaciones más confiables en la tecnología de imagen.

Une étude récente met en lumière les avancées des modèles génératifs inversibles pour résoudre des problèmes inverses en imagerie. Ces modèles, en particulier les réseaux antagonistes génératifs (GAN), ont prouvé qu'ils réduisent considérablement le nombre de mesures nécessaires pour récupérer des images, surpassant les méthodes traditionnelles. Cependant, des défis tels que les erreurs de représentation et les biais dans les ensembles de données persistent. Cette recherche est cruciale car elle met en avant le potentiel de ces modèles tout en abordant leurs limites, ouvrant la voie à des applications plus fiables dans la technologie d'imagerie.

A recent study highlights the advancements in invertible generative models for tackling inverse problems in imaging. These models, particularly Generative Adversarial Networks (GANs), have proven to significantly reduce the number of measurements needed to recover images, outperforming traditional methods. However, challenges like representation errors and dataset biases still exist. This research is crucial as it not only showcases the potential of these models but also addresses their limitations, paving the way for more reliable applications in imaging technology.

Invertible generative models for inverse problems: mitigating representation error and dataset bias

Was this article worth reading? Share it

WasItAI

GPTHumanizer

Omnifact