Abstract: Recientemente, se han propuesto numerosos métodos de aprendizaje autosupervisado para la reconstrucción de imágenes que pueden aprender exclusivamente a partir de datos ruidosos, eliminando la necesidad de referencias ground-truth. La mayoría de los métodos existentes se agrupan en dos categorías principales: i) enfoques como Noise2Self y métodos similares de validación cruzada, que requieren un conocimiento muy limitado sobre la distribución del ruido, y ii) enfoques basados en Stein's Unbiased Risk Estimator (SURE) y métodos afines, que asumen un conocimiento completo de la distribución.
La primera clase de métodos suele ser subóptima en comparación con el aprendizaje supervisado, mientras que la segunda es poco práctica, ya que en aplicaciones del mundo real el nivel de ruido suele ser desconocido. En esta charla, presentaremos un marco teórico que caracteriza el compromiso entre expresividad y robustez de estos métodos. Además, introduciremos un nuevo método basado en SURE, que a diferencia de SURE estándar, no requiere conocimiento previo sobre el nivel de ruido. A través de una serie de experimentos, mostraremos cómo este nuevo estimador supera a otros métodos autosupervisados en diversos problemas inversos.
preprint: https://arxiv.org/abs/2409.
Salón 101 de FING.
Contacto: Alejandro Cholaquidis - acholaquidis [at] hotmail.com (acholaquidis[at]hotmail[dot]com)
Sala zoom
https://salavirtual-udelar.