.png){kind=icon}
返回
A Distributed Plug-and-Play MCMC Algorithm for High-Dimensional Inverse Problems
.png){kind=icon}
PRE
AI
DOI：10.1109/tci.2026.3685151.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
马尔可夫链蒙特卡罗（MCMC）算法是解决成像反问题并量化估计不确定性的标准方法，这是在缺乏真实数据时的关键要求。为了提高估计质量，近年来开发了Plug-and-Play MCMC算法（如PnP-ULA），以容纳由去噪神经网络编码的先验。为高维成像反问题设计可扩展的采样器仍是一个挑战：抽取和存储高维样本可能非常昂贵，尤其是在高分辨率图像的情况下。为解决此问题，本文提出了一种基于近似数据增强和PnP-ULA的分布式采样器，用于解决非常大规模的问题。所提出的采样器使用轻量级去噪卷积神经网络，以在单程序多数据架构上高效利用多个GPU。重建性能和可扩展性在多个成像问题上进行了评估。由于去噪器导致的通信和计算开销被仔细讨论。所提出的分布式方法显著结合了三种非常宝贵的品质：它是可扩展的，能够进行不确定性量化，且重建性能与其他PnP方法相当。
Keyword:
Markov chain Monte Carlo algorithms
Langevin algorithm
plug-and-play prior
distributed computing
期刊
I
IF:
4.8
论文数:
146
被引数:
0
机构
引用论文
暂无论文信息