점 추정에서 사후 추론으로
딥 이미지 사전은 무작위 입력을 합성곱망에 넣고 출력이 관측과 맞도록 가중치를 조정한다. 베이지안 관점은 관측에 맞는 한 개의 매개변수만 찾는 데 머무르지 않고 사후 추론을 고려한다. 원래 신경망 구조가 부여하는 사전 정보도 확률적으로 살핀다.
무한 채널의 이론적 관계
각 층의 채널 수가 무한대로 가는 극한에서 딥 이미지 사전이 정상 가우시안 과정 사전과 점근적으로 같아지는 관계를 보이고 대응 커널을 유도한다. 유한한 실제 신경망이 언제나 그 극한과 정확하게 같다는 뜻은 아니다.
조기 종료와 추론
확률적 경사 랑주뱅 방식의 사후 추론으로 원래 접근에서의 조기 종료 필요를 피하는 방향을 제시한다. 잡음 제거와 결손 복원 실험을 다룬다. 조기 종료를 쓰지 않는다는 사실이 유한한 샘플 수에서 완벽한 사후 분포를 얻는다는 보증은 아니다.
평균과 불확실성
설명용 사후 표본의 한 픽셀 값이 2, 4, 6이면 평균은 4다. 세 표본이 모두 4인 경우와 평균은 같아도 퍼짐은 다르다. 이는 점 추정과 분포 정보를 구분하는 예이며 실제 논문의 표본 수나 불확실성 추정 결과는 아니다.
관련 문서
딥 이미지 사전 / Noise2Self / Noise2Void / DDRM / DPIR / PN2V