盲反卷积方法综述
1. 统计方法
1.1 变分方法
变分方法是解决贝叶斯盲反卷积问题的一种替代方法,可替代交替最小化和马尔可夫链蒙特卡罗(MCMC)技术。MCMC 技术计算量较大,且有研究表明交替最小化方法在解决贝叶斯盲反卷积问题时并非最优。变分方法是期望最大化(EM)方法的推广。当在 E 步中无法根据观测值指定隐藏变量的条件概率密度函数(PDF)时,使用 EM 算法会变得困难,而变分方法可以使用隐藏变量(这里指图像和点扩散函数 PSF)的任意 PDF。
设 $s$ 表示隐藏变量,$q(s)$ 为任意 PDF,似然函数的下界可表示为:
[F(q, \eta) = L(\eta) - KL(q(s) \parallel p(s|x)) = E_q(\log p(x, s)) + H_q]
其中,$x$ 和 $s$ 分别是观测变量和隐藏变量,$\eta$ 是待估计的模型参数向量,$L(\eta)$ 是似然函数,$KL(\cdot)$ 是 Kullback-Leibler 散度,$p(s|x)$ 是隐藏变量的未知条件 PDF,$E_q$ 是关于 $q(s)$ 的期望,$H_q$ 是 $q(s)$ 的熵。$F(q, \eta)$ 是 $L(\eta)$ 的下界。变分方法通过最大化 $F(q, \eta)$ 来工作,$F(q, \eta)$ 的最大值位置对应于 $L(\eta)$ 的最大值位置,这给出了变分 EM 步骤:
- E 步:$q_{t + 1} = \arg \max_q F(q, \eta_t)$
- M 步:$\eta_{t + 1} = \arg \max_{\eta} F(q_{t + 1}, \eta)$
订阅专栏 解锁全文
313



被折叠的 条评论
为什么被折叠?



