arXiv cs.AI· Fabian Kruse, Lorenzo Baldassari, Ivan Dokmani\'c·· 10 小时前AI 评分38
从噪声测量中学习干净的生成过程
Learning Clean Generative Processes from Noisy Measurements
AI 导读
研究仅用噪声观测学习干净图像生成模型的方法：先用 Noise2Noise 回归从独立噪声视图学习后验预测，但仅限训练数据噪声水平及以上；再引入一致性约束——预测应等于继续采样后的期望，并推导出一致性唯一确定向干净图像分布延拓的条件，在 Poisson、二项、Gamma 和负二项测量上验证。
正文 · AI 翻译
摘要：我们研究如何仅使用含噪观测来学习干净图像的生成模型。扩散过程及其对非高斯噪声的推广需要在每个噪声水平上进行后验预测。我们首先表明，可以使用 Noise2Noise 回归从独立的含噪视图学习这些预测，但仅限于训练数据的噪声水平或以上。为了学习低于该水平的预测（生成干净图像所需），我们施加一致性：预测应等于其继续采样过程后的期望。我们推导了一致性唯一确定向干净图像分布延续的条件，并针对泊松、二项、Gamma 和负二项测量验证了这些条件。在 CIFAR-10、光子计数显微成像和合成孔径雷达上的实验表明，所需的后验预测可以仅从含噪视图学习得到，并且一致性关系能够修复超出数据噪声水平的延续，而如果没有一致性，这种延续会严重恶化。
| 主题： | 计算机视觉与模式识别 (cs.CV)；人工智能 (cs.AI)；机器学习 (cs.LG) |
| 引用为： | arXiv:2610.42036 [cs.CV] |
| （或 arXiv:2610.42036v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.42036 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Fabian Kruse [查看电子邮件]
[v1]
2026年10月30日星期五 17:01:25 UTC（994 KB）
来源：arXiv cs.AI · arxiv.org