Exposé de Eero Simoncelli (New York University), dans le cadre du Séminaire Digital Humanities / Artificial Intelligence (DHAI).
Prior probability models are a central component of many image processing problems, but density estimation is a notoriously difficult problem for high dimensional signals such as photographic images. Deep neural networks have provided impressive solutions for problems such as denoising, which implicitly rely on a prior probability model of natural images. I’ll describe our progress in understanding and using this implicit prior. We rely on a little-known statistical result due to Miyasawa (1961), who showed that the least-squares solution for removing additive Gaussian noise can be written directly in terms of the gradient of the log of the noisy signal density. We use this fact to develop a stochastic coarse-to-fine gradient ascent procedure for drawing high-probability samples from the implicit prior embedded within a CNN trained to perform blind (i.e., unknown noise level) least-squares denoising. A generalization of this algorithm to constrained sampling provides a method for using the implicit prior to solve any linear inverse problem, with no additional training. We demonstrate this general form of transfer learning in multiple applications, using the same algorithm to produce high-quality solutions for deblurring, super-resolution, inpainting, and compressive sensing. Joint work with Zahra Kadkhodaie, Sreyas Mohan, and Carlos Fernandez-Grand.
Catégories: Séminaire Digital Humanities / Artificial Intelligence
Mot-clés : Image, réseau neuronal, probabilité, informatique, algorithme, signal, bruit, intelligence artificielle, mathématiques appliquées
Voir aussi
|
|
Cursus :
Eero Simoncelli est un neuroscientifique américain spécialisé en informatique et professeur à l'université de New York. Il est membre de l'Institute of Electrical and Electronics Engineers et a été chercheur à l'Howard Hughes Medical Institute de 2000 à 2020, lorsqu'il est devenu le premier directeur du Center for Computational Neuroscience de l'Institut Flatiron de la Fondation Simons.
Eero Simoncelli s'efforce de comprendre comment les systèmes sensoriels parviennent à des interprétations fiables du monde, ce qui nous permet de faire des prévisions et d'accomplir des tâches difficiles avec une précision surprenante. Son travail vise spécifiquement à répondre à plusieurs questions clés dans ce domaine : Comment des populations de neurones codent les informations sensorielles et comment les populations suivantes extraient ces informations pour les reconnaître, prendre des décisions et agir ? Et d'un point de vue plus théorique, pourquoi les systèmes sensoriels utilisent-ils ces représentations particulières, et comment pouvons-nous utiliser ces principes pour concevoir de meilleurs systèmes artificiels de traitement des signaux sensoriels ? Le neuroscientifique utilise une combinaison de théorie et de modélisation computationnelles, associée à des expériences perceptuelles et physiologiques.
Dernière mise à jour : 18/02/2021
Tous droits réservés
@ 2011 ENS