Buchumschlag

Invertible ResNets for Inverse Imaging Problems: Competitive Performance with Provable Regularization Properties

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Arndt, Clemens, Nickel, Judith
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Numerical Analysis Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Approximation theory for 1-Lipschitz ResNets
von: Murari, Davide, et al.
Veröffentlicht: (2025)

Overparameterization of deep ResNet: zero loss and mean-field analysis
von: Ding, Zhiyan, et al.
Veröffentlicht: (2021)

Learned Finite Element-based Regularization of the Inverse Problem in Electrocardiographic Imaging
von: Haas, Manuel, et al.
Veröffentlicht: (2026)

Anisotropic Diffusion Stencils: From Simple Derivations over Stability Estimates to ResNet Implementations
von: Schrader, Karl, et al.
Veröffentlicht: (2023)

Graph Neural Regularizers for PDE Inverse Problems
von: Lauga, William, et al.
Veröffentlicht: (2025)

Learning Regularization Functionals for Inverse Problems: A Comparative Study
von: Hertrich, Johannes, et al.
Veröffentlicht: (2025)

Provable Emergence of Deep Neural Collapse and Low-Rank Bias in $L^2$-Regularized Nonlinear Networks
von: Zangrando, Emanuele, et al.
Veröffentlicht: (2024)

Inverse Evolution Layers: Physics-informed Regularizers for Deep Neural Networks
von: Liu, Chaoyu, et al.
Veröffentlicht: (2023)

Decoupled Diffusion Sampling for Inverse Problems on Function Spaces
von: Lin, Thomas Y. L., et al.
Veröffentlicht: (2026)

Latent Neural Operator for Solving Forward and Inverse PDE Problems
von: Wang, Tian, et al.
Veröffentlicht: (2024)

Back-Projection Diffusion: Solving the Wideband Inverse Scattering Problem with Diffusion Models
von: Zhang, Borong, et al.
Veröffentlicht: (2024)

Variational Sparse Paired Autoencoders (vsPAIR) for Inverse Problems and Uncertainty Quantification
von: Solomon, Jack Michael, et al.
Veröffentlicht: (2026)

Preconditioned One-Step Generative Modeling for Bayesian Inverse Problems in Function Spaces
von: Cheng, Zilan, et al.
Veröffentlicht: (2026)

Stable Derivative Free Gaussian Mixture Variational Inference for Bayesian Inverse Problems
von: Che, Baojun, et al.
Veröffentlicht: (2025)

Solving Inverse Parametrized Problems via Finite Elements and Extreme Learning Networks
von: Burman, Erik, et al.
Veröffentlicht: (2026)

Solving the Wide-band Inverse Scattering Problem via Equivariant Neural Networks
von: Zhang, Borong, et al.
Veröffentlicht: (2022)

Solving Forward and Inverse Problems of Contact Mechanics using Physics-Informed Neural Networks
von: Sahin, T., et al.
Veröffentlicht: (2023)

Data-Guided Physics-Informed Neural Networks for Solving Inverse Problems in Partial Differential Equations
von: Zhou, Wei, et al.
Veröffentlicht: (2024)

A Gaussian Process Framework for Solving Forward and Inverse Problems Involving Nonlinear Partial Differential Equations
von: Mora, Carlos, et al.
Veröffentlicht: (2024)

Sketchy Moment Matching: Toward Fast and Provable Data Selection for Finetuning
von: Dong, Yijun, et al.
Veröffentlicht: (2024)

Paired Autoencoders for Likelihood-free Estimation in Inverse Problems
von: Chung, Matthias, et al.
Veröffentlicht: (2024)

The Poisson Midpoint Method for Langevin Dynamics: Provably Efficient Discretization for Diffusion Models
von: Kandasamy, Saravanan, et al.
Veröffentlicht: (2024)

MicroAdam: Accurate Adaptive Optimization with Low Space Overhead and Provable Convergence
von: Modoranu, Ionut-Vlad, et al.
Veröffentlicht: (2024)

Lattice-based Deep Neural Networks: Regularity and Tailored Regularization
von: Keller, Alexander, et al.
Veröffentlicht: (2026)

Examining the robustness of Physics-Informed Neural Networks to noise for Inverse Problems
von: Jekic, Aleksandra, et al.
Veröffentlicht: (2025)

Instance-Wise Adaptive Sampling for Dataset Construction in Approximating Inverse Problem Solutions
von: Han, Jiequn, et al.
Veröffentlicht: (2025)

Dynamic Proximal Gradient Algorithms for Schatten-$p$ Quasi-Norm Regularized Problems
von: Shen, Weiping, et al.
Veröffentlicht: (2026)

Preconditioning for Accelerated Gradient Descent Optimization and Regularization
von: Ye, Qiang
Veröffentlicht: (2024)

Second Order Ensemble Langevin Method for Sampling and Inverse Problems
von: Liu, Ziming, et al.
Veröffentlicht: (2022)

Bayesian Physics Informed Neural Networks for Linear Inverse problems
von: Mohammad-Djafari, Ali
Veröffentlicht: (2025)

Preconditioned FEM-based Neural Networks for Solving Incompressible Fluid Flows and Related Inverse Problems
von: Griese, Franziska, et al.
Veröffentlicht: (2024)

Universal approximation property of ODENet and ResNet with a single activation function
von: Kimura, Masato, et al.
Veröffentlicht: (2024)

Efficient Differentiable Approximation of Generalized Low-rank Regularization
von: Li, Naiqi, et al.
Veröffentlicht: (2025)

Learning Sparse Approximate Inverse Preconditioners for Conjugate Gradient Solvers on GPUs
von: Yang, Zherui, et al.
Veröffentlicht: (2025)

Provably Faster Gradient Descent via Long Steps
von: Grimmer, Benjamin
Veröffentlicht: (2023)

Optimized filter functions for filtered back projection reconstructions
von: Beckmann, Matthias, et al.
Veröffentlicht: (2024)

Learned Regularization for Inverse Problems: Insights from a Spectral Model
von: Burger, Martin, et al.
Veröffentlicht: (2023)

Chebyshev Moment Regularization (CMR): Condition-Number Control with Moment Shaping
von: Baek, Jinwoo
Veröffentlicht: (2025)

Beyond Regular Grids: Fourier-Based Neural Operators on Arbitrary Domains
von: Lingsch, Levi, et al.
Veröffentlicht: (2023)

Towards Size-Independent Generalization Bounds for Deep Operator Nets
von: Gopalani, Pulkit, et al.
Veröffentlicht: (2022)