稀疏广义线性模型的大规模变分推断与实验设计
摘要：用稀疏线性模型的后验分布最大化可以解决许多低级计算机视觉和图像处理问题，如去噪、去卷积、层析重建或超分辨率。我们展示了如何通过查询与密度的模式无关的SLM后验协方差来解决更高阶的贝叶斯决策问题，例如优化磁共振扫描仪中的图像采集。我们提出了一个可扩展的算法框架，可以首次近似计算全面、高分辨率图像的SLM后验，通过解决一个变分优化问题,当后验模态查找是凸的时候，这个问题是凸的。这些方法可以成功地通过贝叶斯实验设计驱动真实世界磁共振成像的采样轨迹优化，这在以前还没有尝试过。我们的方法论为稀疏重建和近似贝叶斯推断之间的相似性和差异提供了新的见解，并对实际图像的压缩感知有重要的影响。
作者：Matthias W. Seeger, Hannes Nickisch
论文ID：0810.0901
分类：Machine Learning
分类简称：stat.ML
提交时间：2010-08-16