DeepMind论文:深度压缩感知,新框架提升GAN性能
https://www.toutiao.com/a6694045305064653324/
【新智元导读】DeepMind提出一种全新的“深度压缩感知”框架,将压缩感知与深度学习相结合,显著提高了信号恢复的性能和速度,并提出一种改进GAN的新方法。
压缩感知(CS)是一种优雅的框架,用于从压缩信号中恢复稀疏信号。
例如,CS可以利用自然图像的结构,仅从少量的随机测量中恢复图像。
CS具有灵活性和数据效率高的优点,但由于其稀疏性和昂贵的重建过程,CS的应用受到限制。
那么,将CS与深度学习的思想相结合,是否能得到更优雅的框架呢?
近日,DeepMind的Yan Wu,Mihaela Rosca,Timothy Lillicrap等研究人员在ICML 2019发表论文Deep Compressed Sensing,基于前人将CS和神经网络生成器结合起来的方法,提出一个全新的框架。
深度压缩感知(DCS)框架通过联合训练生成器和通过元学习优化重建过程,显著提高了信号恢复的性能和速度。作者探索了针对不同目标的测量训练,并给予最小化测量误差推导出一系列模型。
作者表示:“我们证明了,生成对抗网络(GANs)可以被视为这个模型家族中的一个特例。借鉴CS的思想,我们开发了一种使用来自鉴别器的梯度信息来改进GAN的新方法。”
压缩感知,一种优雅的框架
压缩感知是什么呢?
有人这样评价道:
压缩感知是信号处理领域进入 21 世纪以来取得的最耀眼的成果之一,并在磁共振成像、图像处理等领域取得了有效应用。压缩感知理论在其复杂的数学表述背后蕴含着非常精妙的思想。基于一个有想象力的思路,辅以严格的数学证明,压缩感知实现了神奇的效果,突破了信号处理领域的金科玉律 —— 奈奎斯特采样定律。即,在信号采样的过程中,用很少的采样点,实现了和全采样一样的效果。[1]
编码和解码是通信中的核心问题。压缩感知(CS)提供了将编码和解码分离为独立的测量和重建过程的框架。与常用的自动编码模型(具有端到端训练的编码器和解码器对)不同,CS通过在线优化从低维测量重建信号。
该模型架构具有高度的灵活性和采样效率:高维信号可以从少量随机测量数据中重建,几乎不需要或根本不需要任何训练。
CS已经成功地应用于测量噪声大、成本高的场景,如MRI。它的采样效率使得诸如“单像素相机”的开发成为可能,可以从单个光传感器重全分辨率的图像。
然而,尤其是在现代深度学习方法蓬勃发展的大规模数据处理中,CS的广泛应用受到了它的稀疏信号假设和重建优化过程缓慢的阻碍。
最近,Bora et al. (2017)将CS与单独训练的神经网络生成器相结合。虽然这些预训练的神经网络没有针对CS进行优化,但它们表现出的重建性能优于现有的方法,如Lasso (Tibshirani, 1996)。
在本文中,我们提出一种深度压缩感知框架(deep compressed sensing,DCS),在此框架中,神经网络可以从头开始训练,用于测量和在线重建。
我们证明,深度压缩感知框架可以自然地生成一系列模型,包括GANs,可以通过训练具有不同目标的测量函数推导得出。
这项工作的贡献如下:
- 我们展示了如何在CS框架下训练深度神经网络。
- 结果表明,与以往的模型相比,元学习重建方法具有更高的精度和快几个数量级的速度。
- 我们开发了一种新的基于潜在优化的GAN训练算法,提高了GAN的性能。
- 我们将这个新框架扩展到训练半监督GAN,并表明潜在优化会产生具有语义意义的潜在空间。
深度压缩感知:结合深度神经网络
我们首先展示了将元学习与Bora et al. (2017)的模型相结合的好处。然后将测量矩阵推广到参数化的测量函数,包括深度神经网络。
之前的工作依赖于 random projection作为测量函数,而我们的方法通过将RIP作为训练目标来学习测量函数。然后,我们通过在测量上添加RIP之外的其他特性,得到了两个新的模型,包括一个带有鉴别器引导的潜在优化的GAN模型,这导致了更稳定的训练动态和更好的结果。
压缩感知与元学习
我们假设CSGM(Bora et al. 2017)的运行时效率和性能可以通过使用元学习训练潜在的优化过程、通过梯度下降步骤的反向传播来提高。
CS模型的潜在优化过程可能需要数百个或数千个梯度下降步骤。通过使用元学习来优化这个优化过程,我们的目标是用更少的更新来实现类似的结果。
为此,我们训练模型参数,以及潜在的优化程序,以尽量减低预期的测量误差:
我们的算法如下:
算法1:元学习压缩感知
具有学习测量函数的深度压缩感知
在算法1中,我们使用RIP属性来训练生成器。我们可以使用相同的方法,并加强RIP属性来学习测量函数F本身,而不是使用random projection。
下面的算法2总结了这个扩展算法。我们称之为深度压缩感知(DCS) ,以强调测量和重建可以是深度神经网络。
算法2:深度压缩感知
实验和结果
表2和表3总结了我们的模型以及Bora等人的基准模型的结果。
表2:使用不同测量函数的MNIST测试数据的重建损失。除了第一行之外,所有行都来自我们的模型。“±”表示测试样本间的标准差。(L)表示习得的测量函数,越低越好。
表3:使用不同测量函数的CelebA测试数据的重建损失。除了第一行之外,所有行都来自我们的模型。“±”表示测试样本间的标准差。(L)表示习得的测量函数,越低越好。
可以看到,DCS的性能明显优于基准。此外,虽然基线模型使用了数千个梯度下降步骤,并且多次重启,但是我们只使用了3个步骤,没有重启,大幅提高了效率。
有趣的是,对于固定的函数F,随机线性投影的表现优于神经网络。这个实证结果符合压缩感知文献中描述的随机投影的最优性,以及更通用的Johnson-Lindenstrauss定理。
更多结果如下:
表4:与 Spectral Normalised GANs的比较。
图2:利用随机线性投影(上)、训练线性投影(中)和训练神经网络(下)的10个测量的重建。
图3:使用0(左)、3(中)和5(右)个梯度下降步骤进行潜在优化的CS-GAN样本。采用0步骤的CS-GAN相当于原始GAN。
图4:在CIFAR训练期间的Inception Score(越高越好)和FID分数(越低越好)。
论文地址:
https://arxiv.org/pdf/1905.06723.pdf
参考:
[1]形象易懂讲解算法 II—— 压缩感知
https://zhuanlan.zhihu.com/p/22445302
DeepMind论文:深度压缩感知,新框架提升GAN性能相关推荐
- DeepMind论文:深度压缩感知,新框架提升GAN性能(附链接)
来源:新智元 本文共2200字,建议阅读9分钟. 本文介绍一种将压缩感知和GAN联系起来的创新框架. [ 导读 ] DeepMind提出一种全新的"深度压缩感知"框架,将压缩感知与 ...
- 关于压缩感知的第一篇论文解析压缩感知研究新思路
9月5日,我在<<计算机应用研究>>上发表一篇文章,这篇论文目前还在审核!后续情况将继续报道.这里就压缩感知谈谈自己的想法.我们知道压缩感知是一种在香农采样频率下能够实现对信号 ...
- 深度学习:深度压缩感知-从ISTA到LISTA及其pytorch实现方法
摘要:传统的压缩感知方法在重构时的速度通常比较慢.通过将深度学习和压缩感知结合,可以大大提高重构速度.Learned Iterative Shrinkage and Thresholding Algo ...
- Google和微软分别提出分布式深度学习训练新框架:GPipe PipeDream
[进群了解最新免费公开课.技术沙龙信息] 作者 | Jesus Rodriguez 译者 | 陆离 编辑 | Jane 出品 | AI科技大本营(ID:rgznai100) [导读]微软和谷歌一直在致 ...
- 让人脸识别算法失灵,还能抵抗微信微博照片压缩!武大Adobe提出抗压缩对抗新框架,成功率最高超90%...
鱼羊 编辑整理 凹非寺 量子位 报道 | 公众号 QbitAI 上回书说到,现在,对抗攻击的理念已经被应用到隐私保护领域: 通过给照片添加肉眼看不出来的对抗性噪声,来蒙蔽人脸识别AI,达到保护隐私的效 ...
- 优化Hexo性能,使用hexo-neat插件压缩页面,大幅度提升页面性能和响应速度
写在前面的话 如果你还没有搭建Hexo博客成功的话,可以看看我写的这篇博客<手把手教你使用GitHub + Hexo搭建属于自己的个人博客>. 如果你搭建成功的话,可以看看关于这两篇博客& ...
- 《压缩感知理论及其研究进展》读书笔记
说实话,今天阅读了这篇论文之后,即赞叹又疑惑,想了好久才写这篇读书笔记的,而这想了好久是在想要不要回避这篇论文,最后还是决定,提出自己的疑惑与不适,去面对吧. 可能是由于关于压感的论文大家写的很多了, ...
- 压缩感知测量矩阵构造方法研究
前言 这是我本科毕设的题目,现在毕业过了一个多月才想起来把毕设做的整理一下,写这个博客不为别的,只为纪念一下本科最后的时光吧.记得刚拿到这个题目时,满脑子都是黑人问号,压缩感知到底是个什么东东?也正是 ...
- 压缩感知的阶段性总结
压缩感知的阶段性总结 由于传统的信号处理框架,对信号的采样必须满足奈奎斯特速率,随着数据量的增大,这种框架下的信号处理会极大的加大ADC的压力,同时大量的数据冗余会使数据存储代价增大. 为了弥补奈奎斯 ...
最新文章
- 在读博士的第八年,她破解了量子计算领域最基本的问题之一
- Apache 配置 Basic 认证
- 应用程序控制策略——AppLocker
- mongoose Topology was destroyed 处理
- x210烧写流程(inand)
- processing创意图形代码_2020年外贸B2C店铺的黑色星期五创意营销想法(下)
- python方法定义..._解析Python类中的方法定义
- C#中的正则表达式(1)
- markdown UML图
- [转载] 山楂树之恋——01-03
- 关于vmware虚拟机硬件里没有软盘驱动器,而操作系统里还有的解决方法
- 阿里电话面试(算法工程师)
- 应广单片机长按开关机_单键实现单片机开关机
- 随机出现“No result defined for action ....Action and result input”解决
- 鉴相器 matlab,MATLAB锁相环仿真程序求解
- Altium AD20整板放置GND过孔、批量放置GND过孔/缝合孔
- express框架实现文件上传、下载及推送(使用Websocket)
- Scrapy--CrawlSpider
- VMware安装Ubuntu虚拟机如何连接网络
- H3CTE认证的说明