10、图像建模与感知心理物理学：现状与挑战

图像建模与感知心理物理学：现状与挑战

1. 自然图像模型概述

自然图像模型在图像恢复领域展现出了实用价值，并且有望用于分类任务的无监督表示学习，还为生物视觉系统使用的图像表示提供了见解。通过将自然图像与模型样本进行比较，可以看出当前最先进的自然图像模型能够捕捉到自然图像的一些有意义的方面，如纹理和边缘特征，但仍无法表示更像物体的结构。未来研究的一个重要问题是如何实现更高级别的图像表示。

1.1 密度估计性能的提升

许多密度估计性能的提升得益于对对比度波动建模能力的提高。模型似然对捕捉亮度和对比度波动的能力非常敏感，而自然图像中的许多可变性是由光照变化产生的。因此，一个模型若能将光照影响与场景内容的其他变化分开，将具有明显优势。以下是几种聚焦于其他图像内容建模的方法：
- 单独建模对比度波动 ：如 Lp - 球形模型所做的那样。
- 建模其他图像表示 ：例如图像轮廓的表示，如仅显示物体轮廓的黑白二值图像，已经包含了大量用于物体识别的相关信息，并且在光照条件变化下比像素表示更稳定。因此，对黑白图像的统计进行建模可能会为有用图像表示的开发提供新的见解。
- 放弃似然 ：转而最大化模型图像分布的其他函数。

1.2 神经网络学习高级图像表示

最近，通过神经网络以纯监督的方式学习高级图像表示成为可能。然而，这些技术需要大量带标签的训练数据，并且即使如此，也只能通过巧妙的正则化技术来防止过拟合。一个有趣的问题是，是否可以通过无监督学习进一步提高神经网络的泛化性能，例如在半监督设置中结合图像建模和分类的目标