New Loss Functions in Bayesian Imaging
贝叶斯图像分析中的新损失函数AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要属于贝叶斯图像分析与决策损失设计，未提供所列经济学细分领域的分类依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
贝叶斯图像分析中的新损失函数
- 研究问题
- 在贝叶斯图像分析中，能否通过设计具有局部结构的误分类损失，使估计决策更贴合图像结构，而不仅改进先验分布？
- 方法与思路
- 作者构造仅依赖二元误分类向量的局部损失，思路类似马尔可夫随机场，并通过 MCMC 与模拟退火两步计算贝叶斯估计。
- 材料陈述的贡献
- 摘要称，研究提出局部损失函数设计方案及相应计算算法，并在受高斯噪声和翻转噪声污染的 Ising 模型中开展模拟。
- 阅读关注点
- 应核对局部损失表达了何种误分类代价、两步算法如何实现贝叶斯决策，以及模拟评价是否与所选损失目标一致。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明。损失函数形式、算法保证和模拟数值未说明，不能判断普遍的图像重建优势。
原文摘要
Unlike the development of more accurate prior distributions for use in Bayesian imaging, the design of more sensible estimators through loss functions has been neglected in the literature. We discuss the design of loss functions with a local structure that depend only on a binary misclassification vector. The proposed approach is similar to modeling with a Markov random field. The Bayes estimate is calculated in a two-step algorithm using Markov chain Monte Carlo and simulated annealing algorithms. We present simulation experiments with the Ising model, where the observations are corrupted with Gaussian and flip noise.