摘要 生物医学数据收集的最新进展允许收集大量数据集，测量数千到数百万个单细胞中的数千个特征。这些数据有可能以以前不可能的分辨率推进我们对生物机制的理解。然而，了解这种规模和类型数据的方法很少。尽管神经网络在监督学习问题上取得了巨大进步，但要使它们对更难表示监督的数据中的发现成为有用，还有很多工作要做。神经网络的灵活性和表现力有时会成为这些监督较少的领域障碍，从生物医学数据中提取知识就是这种情况。在生物数据中更常见的一种先验知识以几何约束的形式出现。 在本文中，我们旨在利用这些几何知识来创建可扩展和可解释的模型来理解这些数据。将几何先验编码到神经网络和图模型中，使我们能够描述模型的解决方案，因为它们与图信号处理和最优传输领域相关。这些链接使我们能够理解和解释这种数据类型。我们将这项工作分为三个部分。第一个借用图信号处理的概念，通过约束和结构化架构来构建更具可解释性和性能的神经网络。第二个借鉴了最优传输理论，有效地进行异常检测和轨迹推断，并有理论保证。第三个研究如何比较基础流形上的分布，这可用于了解不同的扰动或条件之间的关系。为此，我们设计了一种基于联合细胞图上扩散的最佳传输的有效近似

On the Choice of Priors in Bayesian Deep Learning Author(s): Fortuin, Vincent Publication Date: 2021

去噪声代码matlab 即插即用 该MATLAB代码被用作 Navchetan Awasthi，Sandeep Kumar Kalva，Manojit Pramanik，Phaneendra K. Yalavarthy，“通过减少噪声数据来改善光声层析成像的尺寸减小的即插即用先验”（生物医学光学快报）（印刷中） **实验实验的原始测量数据未提供，可以要求提供。 ***如果发现任何错误或需要有关代码的任何帮助，请联系。 Matlab代码：（需要SALSA_v2.0） ＃用于生成数据和电视的代码可以在patextrapolation网站上找到。 ＃用于生成所有数字幻像的结果的Matlab实现：Generating_All_phantom_data_Results.m＃用于比较幻像图像的所有结果的Matlab实现：all_comparisons.m＃用于电视降噪的Matlab实现：perform_tv_denoising.m＃perform_tv_denoising的补充文件：compute_total_variation。 #Matlab Lanczos Tikhonov启发式和BPD_L

什么是即插即用？ 即插即用是通过允许您灵活地更改正向模型和图像之前的方式，使在计算成像中优化图像恢复问题的方法更容易。 这是实现即插即用ADMM的尝试。 压缩感测 安装 pip install -r requirements.txt 您可以在此处下载DnCNN权重 用法 您需要3个对象来运行即插即用ADMM。 前向模型 图像优先 变量变换 变量转换是变量x和v之间的转换，其中x是正向模型的输入自变量，而v是先验模型的输入自变量。 该优化将运行约束优化的增强拉格朗日变换，transform（x）= v。 您可以编写自己的正向模型类和图像优先类，但是它必须具有以下属性和方法 class your_forward_or_prior_model : def __init__ ( self , input_shape ): self . input_shape = input_

Bayesian Compressive Sensing Using Laplace Priors

pragmods_salience_priors

Structural Priors in Deep Neural Networks Yani Andrew Ioannou Department of Engineering University of Cambridge This dissertation is submitted for the degree of Doctor of Philosophy

具有潜在高斯过程先验（LGPP）的Raven渐进矩阵完成 这是论文“具有潜在高斯过程先验的Raven渐进矩阵完成”的代码。 依存关系 PyTorch == 1.4 pyyaml == 5.3 枕头== 7.0.0 numpy的= = 1.18.1 六个== 1.14.0 Python版本3.7.6 数据集 构建面和圆数据集： ./build_datasets.sh 训练 特定数据集的训练模型（例如，具有5000个训练样本的三角形实例化多边形数据集） python train.py --exp_name triangle_5000 --gpu 0 --dataset triangle_5000 参数--exp_name是您的自定义实验的名称和--dataset是在训练阶段中使用的数据集。 实验 用MSE分数估算模型 python test.py --exp_name trian

Krishnan于2009年在NIPS上发表的Fast Image Deconvolution using Hyper-Laplacian Priors的个人翻译。翻译仅代表个人粗浅的理解，格式也是自己随意排版的，不一定准确，也希望各位多多批评指正，广泛交流

超拉普拉斯先验的盲去卷积算法论文中的Matlab代码可以运行。