Accueil/ expose
Sampling and Solving Linear Inverse Problems Using the Prior Implicit in a Denoiser
jeudi 14 janvier 2021

Loading the player...
Descriptif

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.

Voir aussi


  • Aucun exposé du même auteur.
  • IA et Peuples autochtones au Canada
    Karine Gentelet
  • The Neural Race Reduction : la dynamiqu...
    Andrew Saxe
  • Pile et face : Quand les humanités numér...
    Ecole normale supérieure
  • Alignement et comparaison de textes pou...
    Philippe Gambette
  • Redéfinir l'histoire culturelle des jour...
    Pierre-Carl Langlais
  • Voir, c'est savoir
    Stavros Lazaris
  • L’IA et la manufacture des planches au X...
    Alexandre Guilbaud
  • Extraction et mise en correspondances au...
    Tom Monnier, Mathieu Aubry
  • Learning Solutions to the Schrödinger eq...
    Giuseppe Carleo
  • Gallicagram, un nouvel outil de lexicogr...
    Benjamin Azoulay, Benoît De Courson
  • Outillage de présentation des travaux e...
    Hugo Du Plessix, Félix-Giovanni Zapata Galéano
  • Embedded stories and narrative levels : ...
    Pablo Gervas
Auteur(s)
Eero Simoncelli
New York University
Neuroscientifique

Plus sur cet auteur
Voir la fiche de l'auteur

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.

Cliquer ICI pour fermer
Annexes
Téléchargements :
   - Télécharger la vidéo
   - Télécharger l'audio (mp3)

Dernière mise à jour : 18/02/2021