روش یادگیری مدل مولد تصویر تمیز از مشاهدات نویزی

پژوهشی منتشرشده در arXiv روشی برای یادگیری مدل مولد تصاویر تمیز تنها از روی مشاهدات نویزی بررسی می‌کند. در فرایندهای انتشار و تعمیم‌های آن‌ها برای نویزهای غیرگاوسی، مدل باید در هر سطح نویز پیش‌بینی پسین انجام دهد.

نویسندگان نشان می‌دهند می‌توان این پیش‌بینی‌ها را با رگرسیون Noise2Noise و از طریق نماهای نویزی مستقل یاد گرفت، اما فقط در سطح نویزِ داده‌های آموزشی یا بالاتر از آن. برای رسیدن به سطوح پایین‌تر، که تولید تصاویر تمیز به آن نیاز دارد، پژوهشگران شرط سازگاری را به کار می‌گیرند: پیش‌بینی باید با امید ریاضی آن پس از ادامهٔ فرایند نمونه‌گیری برابر باشد.

به‌گفتهٔ چکیده، پژوهش شرایطی را به دست می‌دهد که در آن سازگاری ادامهٔ فرایند را تا توزیع تصاویر تمیز به‌طور یکتا تعیین می‌کند. نویسندگان این شرایط را برای نویزهای Poisson، binomial، Gamma و negative-binomial بررسی کرده‌اند. این مقاله پیش‌چاپ است و چکیدهٔ در دسترس جزئیات بیشتری دربارهٔ نتایج ارائه نمی‌کند.