Robust and rate-optimal Gibbs posterior inference on the boundary of a noisy image
噪声图像边界的稳健且速率最优的 Gibbs 后验推断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：摘要研究图像分割中的边界估计与 Gibbs 后验，未明确对应所列经济计量细分领域。
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
噪声图像边界的稳健且速率最优的 Gibbs 后验推断
- 研究问题
- 在像素强度带噪声的图像中，如何避免对边界内外强度分布建模，减少分布误设对图像边界推断的影响？
- 方法与思路
- 作者直接为图像边界构造 Gibbs 后验，不建立像素强度的似然模型，并分析后验集中及蒙特卡洛计算。
- 材料陈述的贡献
- 摘要称后验以极小极大最优速率集中，并适应边界光滑度；所述模拟中，其推断准确性优于已有贝叶斯方法。
- 阅读关注点
- 应核对损失函数、后验构造与校准方式，以及速率最优和光滑度适应所需条件、模拟比较采用的准确性指标。
- 阅读边界
- 材料为稿件版本未注明的 OpenAlex 索引摘要；噪声假设与定理条件未说明，模拟比较不能推出对所有图像普遍更优。
原文摘要
Detection of an image boundary when the pixel intensities are measured with noise is an important problem in image segmentation. From a statistical point of view, a challenge is that likelihood-based methods require modeling the pixel intensities inside and outside the image boundary, even though these distributions are typically not of interest. Since misspecification of the pixel intensity distributions can negatively affect inference on the image boundary, it would be desirable to avoid this modeling step altogether. Toward this, we develop a robust Gibbsian approach that constructs a posterior distribution for the image boundary directly, without modeling the pixel intensities. We prove that the Gibbs posterior concentrates asymptotically at the minimax optimal rate, adaptive to the boundary smoothness. Monte Carlo computation of the Gibbs posterior is straightforward, and simulation results show that the corresponding inference is more accurate than that based on existing Bayesian methodology.