New Loss Functions in Bayesian Imaging
贝叶斯图像处理中的新损失函数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：摘要研究图像决策损失与空间随机场，未涉及经济网络干扰或其他所列经济计量领域细分。
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
贝叶斯图像处理中的新损失函数
- 研究问题
- 贝叶斯图像处理如何通过更合理的损失函数设计改善估计，并让损失反映局部二元误分类的空间结构？
- 方法与思路
- 作者设计仅依赖二元误分类向量的局部损失函数，思路类似马尔可夫随机场，并结合MCMC与模拟退火计算贝叶斯估计。
- 材料陈述的贡献
- 摘要称提出局部结构损失及两步计算算法，并在受到高斯噪声和翻转噪声污染的Ising模型上开展模拟。
- 阅读关注点
- 应核对局部损失的定义、贝叶斯决策目标，以及后验模拟与模拟退火各自承担的步骤和计算误差。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；没有提供损失比较、性能数值或算法收敛条件，不能判断所提估计是否普遍更优。
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.