1. Méthode MCMC plug-and-play avec a priori génératif profond
- Author
-
Coeurdoux, Florentin, Dobigeon, Nicolas, Chainais, Pierre, Signal et Communications (IRIT-SC), Institut de recherche en informatique de Toulouse (IRIT), Université Toulouse Capitole (UT Capitole), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Centre National de la Recherche Scientifique (CNRS)-Institut National Polytechnique (Toulouse) (Toulouse INP), Université de Toulouse (UT)-Toulouse Mind & Brain Institut (TMBI), Université Toulouse - Jean Jaurès (UT2J), Université de Toulouse (UT)-Université de Toulouse (UT)-Université Toulouse III - Paul Sabatier (UT3), Université de Toulouse (UT)-Université Toulouse Capitole (UT Capitole), Université de Toulouse (UT), Centre de Recherche en Informatique, Signal et Automatique de Lille - UMR 9189 (CRIStAL), Centrale Lille-Université de Lille-Centre National de la Recherche Scientifique (CNRS), ANR-19-P3IA-0004,ANITI,Artificial and Natural Intelligence Toulouse Institute(2019), and ANR-20-CHIA-0031,SHERLOCK,Inférence rapide et contrôle de l'incertitude: applications aux observations astrophysiques.(2020)
- Subjects
[STAT.ML]Statistics [stat]/Machine Learning [stat.ML] ,[INFO.INFO-TS]Computer Science [cs]/Signal and Image Processing ,[INFO.INFO-CV]Computer Science [cs]/Computer Vision and Pattern Recognition [cs.CV] - Abstract
International audience; Plug-and-Play (PnP) methods are a class of iterative algorithms for inverse problems solving in which regularization is provided by a generic denoiser. Although producing very good results, these PnP optimization methods produce only point estimators and not a complete characterization of the posterior distribution. We propose a new family of stochastic PnP methods by exploiting a Gibbs sampling algorithm coupled with a generative neural network. In addition to a point estimator, the proposed approach provides confidence intervals for a moderate computational cost. The efficiency of the proposed samplers is evaluated through simulations of image reconstruction problems. The performances of the proposed estimators compare favorably with those of the most recent optimization and MCMC algorithms.; Les méthodes Plug-and-Play (PnP) forment une classe d'algorithmes itératifs pour la résolution de problèmes inverses dans lesquels la régularisation est assurée par le recours à un débruiteur générique. Bien que produisant de très bons résultats, ces méthodes d'optimisation PnP ne produisent souvent que des estimateurs ponctuels et non une caractérisation complète de la distribution a posteriori. Nous proposons une nouvelle famille de méthodes PnP stochastiques en exploitant un algorithme d'échantillonnage de Gibbs couplé à un réseau de neurones génératif. En plus d'un estimateur ponctuel, l'approche proposée fournit des intervalles de confiance pour un coût de calcul très modéré. L'efficacité des échantillonneurs proposés est évaluée grâce à des simulations de problèmes de reconstruction d'image. Les performances des estimateurs proposés se comparent favorablement à celles des algorithmes d'optimisation et MCMC les plus récents.
- Published
- 2023