17th cvsaisentan takmin
TRANSCRIPT
第17回CV勉強会@関東 発表資料 大規模確率場と確率的画像処理
3,4節
2011/11/06
Presented by takmin
おさらい
• 加法定理と乗法定理
Y
YXpXp ),()(
)()|(),( XpXYpYXp
加法定理
乗法定理
おさらい
• 加法定理と乗法定理
おさらい
• 最尤推定
N
n
nxpp1
)|()|( θθx
データが観測されたとき,そのデータが発生する確率(尤度)を最大化するパラメータを求めること
パラメータ 観測データサンプル
尤度
おさらい
• ベイズ推論
N
n
nxpppp
p
ppp
1
)|()()()|(
)(
)()|()|(
θθθθx
x
θθxxθ
データが観測されたとき,パラメータがとる確率分布を求める
尤度 事前分布
事後分布
ノイズ生成モデル
• 観測された画像yは元々の画像xに加法的白色ガウスノイズnが加わったものとみなす。
nXY (27) 観測画像 元画像 ノイズ X Y
n
ノイズ生成モデル
観測画像 Y
元画像 X
ノイズ
• 観測された画像yは元々の画像xに加法的白色ガウスノイズnが加わったものとみなす。
目的
• 観測画像Yから元画像Xを推定したい。
• 方法
– Yが与えられた時の各画素iの期待値 を求める。
)|( YiXE
1
0
)|Pr()|(Q
x
iiii
i
xXxXE YY
目的
• 観測画像Yから元画像Xを推定したい。
• 方法
– Yが与えられた時の各画素iの期待値 を求める。
–各画素iの周辺分布 を求める。
)|Pr( YiX
)|( YiXE
1 1 1 ||
)|Pr()|Pr(X X X X
i
i i
X
YXY
目的
• 観測画像Yから元画像Xを推定したい。
• 方法
– Yが与えられた時の各画素iの期待値 を求める。
–各画素iの周辺分布 を求める。
– Yが与えられた時のXの事後分布 を求める。
)|Pr( YX
)|Pr( YiX
)|( YiXE
目的
• 観測画像Yから元画像Xを推定したい。
• 方法
– Yが与えられた時の各画素iの期待値 を求める。
–各画素iの周辺分布 を求める。
– Yが与えられた時のXの事後分布 を求める。
)|Pr( YX
)|Pr( YiX
)|( YiXE
元画像Xの事後分布
• 観測画像Yが与えられた時の元画像Xの事後分布 を推定したい。 )|Pr( YX
)Pr(
))Pr(|Pr()|Pr(
Y
XXYYX
ベイズの公式:
)Pr(Y )|Pr( XY )Pr(Xは定数なので、 と を求める
ノイズ生成モデル
観測画像 Y
元画像 X
ノイズ
• 観測された画像yは元々の画像xに加法的白色ガウスノイズnが加わったものとみなす。
},{
2)(2
1exp)|Pr()Pr(
ji
ji xxXX (1)
元画像 X
元画像Xの事前分布
• 元画像Xは、隣り合う画素同士の影響を受ける。
i j
元画像Xの尤度
観測画像 Y
元画像 X
• 観測された画像Yの各画素は元々の画像Xの対応する画素にのみ影響を受ける。
(28)
i
ii xy 2
2)(
2
1exp),|Pr()|Pr( XYXY
i
i
元画像Xの事後分布
• 観測画像Yが与えられた時の元画像Xの事後分布 を推定したい。 )|Pr( YX
)Pr(
))Pr(|Pr()|Pr(
Y
XXYYX
ベイズの公式:
},{
2)(2
1exp)Pr(
ji
ji xxX
i
ii xy 2
2)(
2
1exp)|Pr( XY
(1) (28)
定数
元画像Xの事後分布
• 観測画像Yが与えられた時の元画像Xの事後分布 を推定したい。 )|Pr( YX
ベイズの公式:
},{
22
2)(
2
1exp)(
2
1exp
),,|Pr()|Pr(
ji
ji
i
ii xxxy
YXYX
(29)
目的
• 観測画像Yから元画像Xを推定したい。
• 方法
– Yが与えられた時の各画素iの期待値 を求める。
–各画素iの周辺分布 を求める。
– Yが与えられた時のXの事後分布 を求める。
)|Pr( YX
)|Pr( YiX
)|( YiXE
各画素の周辺分布の計算
• 確率伝搬法を用いる。
–木構造のグラフに対する確率伝搬法(4.1節)
–閉路を含むグラフに対する確率伝搬法(4.2節)
• ハイパーパラメータを推定する(4.3節)
木構造のグラフに対する確率伝搬法
4 1 2 7
3
5
6
8
木構造のグラフの例
木構造のグラフに対する確率伝搬法
木構造グラフの各ノードの同時分布を以下で表す。
1
0
1
0 },{
},{
},{
},{
1 ||
),(
),(
)Pr(Q
x
Q
x ji
jiji
ji
jiji
xxf
xxf
xX(42)
木構造のグラフに対する確率伝搬法
木構造グラフの各ノードの同時分布を以下で表す。
1
0
1
0 },{
},{
},{
},{
1 ||
),(
),(
)Pr(Q
x
Q
x ji
jiji
ji
jiji
xxf
xxf
xX(42)
},{
2)(2
1exp)|Pr()Pr(
ji
ji xxXX
2
},{ )(2
1exp),( jijiji xxxxf
例:
(1)
の時、
木構造のグラフに対する確率伝搬法
4 1 2 7
3
5
6
8
),(),(),(
),(),(),(),(
),,,,,,,Pr(
82}8,2{72}7,2{62}6,2{
51}5,1{41}4,1{31}3,1{21}2,1{
87654321
xxfxxfxxf
xxfxxfxxfxxf
XXXXXXXX
木構造のグラフに対する確率伝搬法
4 1 2 7
3
5
6
8
),(),(),(
),(),(),(),(
),,,,,,,Pr(
82}8,2{72}7,2{62}6,2{
51}5,1{41}4,1{31}3,1{21}2,1{
87654321
xxfxxfxxf
xxfxxfxxfxxf
XXXXXXXX
木構造のグラフに対する確率伝搬法
4 1 2 7
3
5
6
8
),(),(),(
),(),(),(),(
),,,,,,,Pr(
82}8,2{72}7,2{62}6,2{
51}5,1{41}4,1{31}3,1{21}2,1{
87654321
xxfxxfxxf
xxfxxfxxfxxf
XXXXXXXX
木構造のグラフに対する確率伝搬法
4 1 2 7
3
5
6
8
),(),(),(
),(),(),(),(
),,,,,,,Pr(
82}8,2{72}7,2{62}6,2{
51}5,1{41}4,1{31}3,1{21}2,1{
87654321
xxfxxfxxf
xxfxxfxxfxxf
XXXXXXXX
木構造のグラフに対する確率伝搬法
4 1 2 7
3
5
6
8
),(),(),(
),(),(),(),(
),,,,,,,Pr(
82}8,2{72}7,2{62}6,2{
51}5,1{41}4,1{31}3,1{21}2,1{
87654321
xxfxxfxxf
xxfxxfxxfxxf
XXXXXXXX
木構造のグラフに対する確率伝搬法
4 1 2 7
3
5
6
8
),(),(),(
),(),(),(),(
),,,,,,,Pr(
82}8,2{72}7,2{62}6,2{
51}5,1{41}4,1{31}3,1{21}2,1{
87654321
xxfxxfxxf
xxfxxfxxfxxf
XXXXXXXX
木構造のグラフに対する確率伝搬法
4 1 2 7
3
5
6
8
),(),(),(
),(),(),(),(
),,,,,,,Pr(
82}8,2{72}7,2{62}6,2{
51}5,1{41}4,1{31}3,1{21}2,1{
87654321
xxfxxfxxf
xxfxxfxxfxxf
XXXXXXXX
木構造のグラフに対する確率伝搬法
4 1 2 7
3
5
6
8
),(),(),(
),(),(),(),(
),,,,,,,Pr(
82}8,2{72}7,2{62}6,2{
51}5,1{41}4,1{31}3,1{21}2,1{
87654321
xxfxxfxxf
xxfxxfxxfxxf
XXXXXXXX
木構造のグラフに対する確率伝搬法
4 1 2 7
3
5
6
8
),(),(),(
),(),(),(),(
),,,,,,,Pr(
82}8,2{72}7,2{62}6,2{
51}5,1{41}4,1{31}3,1{21}2,1{
87654321
xxfxxfxxf
xxfxxfxxfxxf
XXXXXXXX
木構造のグラフに対する確率伝搬法
4 1 2 7
3
5
6
8
}8,2{}7,2{}6,2{}5,1{}4,1{}3,1{}2,1{)Pr( fffffffX
を求めたい。 )Pr( 4X
木構造のグラフに対する確率伝搬法
4 1 2 7
3
5
6
8
1 2 3 5 6 7 8
}8,2{}7,2{}6,2{}5,1{}4,1{}3,1{}2,1{
4
)Pr(
X X X X X X X
fffffff
X
を求めたい。 )Pr( 4X
木構造のグラフに対する確率伝搬法
4 1 2 7
3
5
6
8
1 3 5 2 6 7 8
}8,2{}7,2{}6,2{}2,1{}5,1{}3,1{}4,1{
4
)Pr(
X X X X X X X
fffffff
X
を求めたい。 )Pr( 4X
木構造のグラフに対する確率伝搬法
4 1 2 7
3
5
6
8
1 3 5 2 6 7 8
}8,2{}7,2{}6,2{}2,1{}5,1{}3,1{}4,1{
4
)Pr(
X X X X X X X
fffffff
X
を求めたい。 )Pr( 4X
木構造のグラフに対する確率伝搬法
4 1 2 7
3
5
6
8
1 3 5 2 6 7 8
}8,2{}7,2{}6,2{}2,1{}5,1{}3,1{}4,1{
4
)Pr(
X X X X X X X
fffffff
X
を求めたい。 )Pr( 4X
木構造のグラフに対する確率伝搬法
4 1 2 7
3
5
6
8
1 3 5 2 6 7 8
}8,2{}7,2{}6,2{}2,1{}5,1{}3,1{}4,1{
4
)Pr(
X X X X X X X
fffffff
X
を求めたい。 )Pr( 4X
木構造のグラフに対する確率伝搬法
4 1 2 7
3
5
6
8
1 3 5 2 6 7 8
}8,2{}7,2{}6,2{}2,1{}5,1{}3,1{}4,1{
4
)Pr(
X X X X X X X
fffffff
X
を求めたい。 )Pr( 4X
木構造のグラフに対する確率伝搬法
4 1 2 7
3
5
6
8
1 3 5 2 6 7 8
}8,2{}7,2{}6,2{}2,1{}5,1{}3,1{}4,1{
4
)Pr(
X X X X X X X
fffffff
X
を求めたい。 )Pr( 4X
木構造のグラフに対する確率伝搬法
4 1 2 7
3
5
6
8
1 3 5 2 6 7 8
}8,2{}7,2{}6,2{}2,1{}5,1{}3,1{}4,1{
4
)Pr(
X X X X X X X
fffffff
X
を求めたい。 )Pr( 4X
木構造のグラフに対する確率伝搬法
4 1 2 7
3
5
6
8
1 3 5 2 6 7 8
}8,2{}7,2{}6,2{}2,1{}5,1{}3,1{}4,1{
4
)Pr(
X X X X X X X
fffffff
X
を求めたい。 )Pr( 4X
木構造のグラフに対する確率伝搬法
1 3 5 2 6 7 8
}8,2{}7,2{}6,2{}2,1{}5,1{}3,1{}4,1{
4
)Pr(
X X X X X X X
fffffff
X
1
0 }\{
},{ )(),()(Q
x jk
iikjijijji
i i
xMxxfxΜ
“メッセージ” を以下のように定義
28Μ27Μ26Μ
12Μ
15Μ13Μ
41Μ
木構造のグラフに対する確率伝搬法
1
0 }\{
},{ )(),()(Q
x jk
iikjijijji
i i
xMxxfxΜ
“メッセージ” を以下のように定義
i j
木構造のグラフに対する確率伝搬法
1
0 }\{
},{ )(),()(Q
x jk
iikjijijji
i i
xMxxfxΜ
“メッセージ” を以下のように定義
i j ikΜ
ノードiに入ってきたメッセージの積を取る
木構造のグラフに対する確率伝搬法
1
0 }\{
},{ )(),()(Q
x jk
iikjijijji
i i
xMxxfxΜ
“メッセージ” を以下のように定義
i j ),(},{ jiji xxf
ikΜ
2変数関数 をかける },{ jif
木構造のグラフに対する確率伝搬法
1
0 }\{
},{ )(),()(Q
x jk
iikjijijji
i i
xMxxfxΜ
“メッセージ” を以下のように定義
i j ),(},{ jiji xxf
ikΜ jiΜ
iX を積分してメッセージを算出
木構造のグラフに対する確率伝搬法
ij
iij
i
ii xMZ
xX )(1
)Pr(
1
0
)(Q
x j
iiji
i i
xMZ
1
0 }\{
},{ )(),()(Q
x jk
iikjijijji
i i
xMxxfxΜ
メッセージ:
周辺分布:
i
ijM
確率伝搬法アルゴリズムまとめ
1. 端点から、メッセージを伝搬
i j ),(},{ jiji xxf
jiΜ
1
0
},{ ),()(Q
x
jijijji
i
xxfxΜ
2変数関数 を で積分 },{ jifix
確率伝搬法アルゴリズムまとめ
2.端点以外の各ノードでメッセージを伝搬
i j ),(},{ jiji xxf
jiΜ ikΜ
1
0 }\{
},{ )(),()(Q
x jk
iikjijijji
i i
xMxxfxΜ (45)
確率伝搬法アルゴリズムまとめ
3. 根ノードから葉ノードへメッセージを伝搬
確率伝搬法アルゴリズムまとめ
4. 葉ノードへ達したら、根ノードへメッセージを逆伝搬
確率伝搬法アルゴリズムまとめ
5. 各ノードの周辺分布を以下の式から計算
ij
iij
i
ii xMZ
xX )(1
)Pr(
1
0
)(Q
x j
iiji
i i
xMZ
i
ijM
(46)
(48)
確率伝搬法アルゴリズムまとめ
6. 各リンクに接続された2変数の同時分布を以下の式から計算
i j },{ jif
}\{}\{
},{
},{
)()(),(1
),Pr(il
jjl
jk
iikjiji
ji
jjii
ji
xMxMxxfZ
xXxX
1
0 }\{}\{
1
0
},{},{ )()(),(Q
x il
jjl
jk
iik
Q
x
jijiji
i jij
xMxMxxfZ
(47)
(49)
閉路を含むグラフ
閉路を含むグラフの例
画像がこのパターン
確率伝搬法のメッセージがループしてしまう。
閉路を含むグラフ 各ノードの同時分布
1
0
1
0 },{
},{
},{
},{
1 ||
),(
),(
)|Pr(Q
x
Q
x ji
jiji
ji
jiji
xxf
xxf
yYxX (51)
(1)
},{
22
2)(
2
1exp)(
2
1exp),,|Pr(
ji
ji
i
ii xxxyYX
2
2
2
2
2
},{ )(8
1exp)(
8
1exp)(
2
1exp),( jjiijijiji xyxyxxxxf
(29)
観測画像がYの時の元画像Xの事後分布:
i j
(52)
閉路を含むグラフに対する 確率伝搬法
• 木構造グラフでは、以下の式が成り立つ
–木構造グラフにおける周辺確率と同時確率の関係
},{ )Pr()Pr(
),Pr()Pr(
)Pr(
ji jjii
jjii
i
iixXxX
xXxXxX
xX
(50)
閉路を含むグラフに対する 確率伝搬法
• 閉路においても同様の関係が近似的に成り立つとする
},{
},{
)()(
),()(
)(
ji jjjiii
jjiiji
i
iiixXPxXP
xXxXPxXP
P xX
(70)
)(XP )|Pr( YXこの と ができるだけ近い分布を取るようにしたい。
閉路を含むグラフに対する 確率伝搬法
• P(X)とPr(X|Y)のカルバック・ライブラー情報量ができるだけ小さくなるようにしたい。
X YX
XXXYX
)|Pr(
)(ln)()(||)|Pr(
PPPK (71)
以下の拘束条件の元、ラグランジュ未定乗数法で解く
)( 1)(1
0
ixXPQ
x
iii
i
)},({ 1),(1
0
1
0
},{
jixXxXPQ
x
Q
x
jjiiji
i j
)},{,( ),()(1
0
},{
jiixXxXPxXPQ
x
jjiijiiii
j
(67)
(68)
(69)
閉路を含むグラフに対する 確率伝搬法
以下が導ける(証明略)
1
0
1
0 }\{
},{
1
0 }\{
},{
)(),(
)(),(
)(Q
x
Q
x jk
iikjiji
Q
x jk
iikjiji
jji
i j i
i i
xMxxf
xMxxf
xΜ
メッセージ
(60)
ij
iij
i
ii xMZ
xX )(1
)|Pr( yY
1
0
)(Q
x j
iiji
i i
xMZ
(55)
(57)
閉路を含むグラフに対する 確率伝搬法
以下が導ける(証明略)
1
0
1
0 }\{
},{
1
0 }\{
},{
)(),(
)(),(
)(Q
x
Q
x jk
iikjiji
Q
x jk
iikjiji
jji
i j i
i i
xMxxf
xMxxf
xΜ
メッセージ
(60)
}\{}\{
},{
},{
)()(),(1
)|,Pr(
il
jjl
jk
iikjiji
ji
jjii
ji
xMxMxxfZ
xXxX yY
1
0 }\{}\{
1
0
},{},{ )()(),(Q
x il
jjl
jk
iik
Q
x
jijiji
i jij
xMxMxxfZ
(56)
(58)
LBPアルゴリズムまとめ
1. 全てのメッセージの初期値を1にする
1Μ
LBPアルゴリズムまとめ
2. 以下の式に従いメッセージを更新する
1
0
1
0 }\{
},{
1
0 }\{
},{
)(),(
)(),(
)(Q
x
Q
x jk
iikjiji
Q
x jk
iikjiji
jji
i j i
i i
xMxxf
xMxxf
xΜ (60)
LBPアルゴリズムまとめ
2. 以下の式に従いメッセージを更新する
1
0
1
0 }\{
},{
1
0 }\{
},{
)(),(
)(),(
)(Q
x
Q
x jk
iikjiji
Q
x jk
iikjiji
jji
i j i
i i
xMxxf
xMxxf
xΜ (60)
LBPアルゴリズムまとめ
2. 以下の式に従いメッセージを更新する
1
0
1
0 }\{
},{
1
0 }\{
},{
)(),(
)(),(
)(Q
x
Q
x jk
iikjiji
Q
x jk
iikjiji
jji
i j i
i i
xMxxf
xMxxf
xΜ (60)
LBPアルゴリズムまとめ
2. 以下の式に従いメッセージを更新する
1
0
1
0 }\{
},{
1
0 }\{
},{
)(),(
)(),(
)(Q
x
Q
x jk
iikjiji
Q
x jk
iikjiji
jji
i j i
i i
xMxxf
xMxxf
xΜ (60)
LBPアルゴリズムまとめ
2. 以下の式に従いメッセージを更新する
1
0
1
0 }\{
},{
1
0 }\{
},{
)(),(
)(),(
)(Q
x
Q
x jk
iikjiji
Q
x jk
iikjiji
jji
i j i
i i
xMxxf
xMxxf
xΜ (60)
LBPアルゴリズムまとめ
3. 収束するまでメッセージの更新を繰り返す
1
0
1
0 }\{
},{
1
0 }\{
},{
)(),(
)(),(
)(Q
x
Q
x jk
iikjiji
Q
x jk
iikjiji
jji
i j i
i i
xMxxf
xMxxf
xΜ (60)
LBPアルゴリズムまとめ
4. 以下の式に従い周辺確率を計算する
ij
iij
i
ii xMZ
xX )(1
)|Pr( yY
1
0
)(Q
x j
iiji
i i
xMZ
(55)
(57)
}\{}\{
},{
},{
)()(),(1
)|,Pr(
il
jjl
jk
iikjiji
ji
jjii
ji
xMxMxxfZ
xXxX yY
1
0 }\{}\{
1
0
},{},{ )()(),(Q
x il
jjl
jk
iik
Q
x
jijiji
i jij
xMxMxxfZ
(56)
(58)
LBPアルゴリズムまとめ
4. 以下の式に従い周辺確率を計算する
ij
iij
i
ii xMZ
xX )(1
)|Pr( yY
1
0
)(Q
x j
iiji
i i
xMZ
(55)
(57)
}\{}\{
},{
},{
)()(),(1
)|,Pr(
il
jjl
jk
iikjiji
ji
jjii
ji
xMxMxxfZ
xXxX yY
1
0 }\{}\{
1
0
},{},{ )()(),(Q
x il
jjl
jk
iik
Q
x
jijiji
i jij
xMxMxxfZ
(56)
(58)
目的
• 観測画像Yから元画像Xを推定したい。
• 方法
– Yが与えられた時の各画素iの期待値 を求める。
–各画素iの周辺分布 を求める。
– Yが与えられた時のXの事後分布 を求める。
)|Pr( YX
)|Pr( YiX
)|( YiXE
求まった?
元画像Xの推定
ij
iij
i
ii xMZ
xX )(1
)|Pr( yY (55)
観測画像Yが与えられた時の、元画像Xの各画素iにおける周辺確率が求まった!
1
0
)|Pr()|(Q
x
iiii
i
xXxXE YY
以下の式で各画素の期待値を計算
まだできない
ハイパーパラメータの推定
ij
iij
i
ii xMZ
xX )(1
)|Pr( yY (55)
1
0
1
0 }\{
},{
1
0 }\{
},{
)(),(
)(),(
)(Q
x
Q
x jk
iikjiji
Q
x jk
iikjiji
jji
i j i
i i
xMxxf
xMxxf
xΜ (60)
2
2
2
2
2
},{
)(8
1exp)(
8
1exp)(
2
1exp
),(
jjiiji
jiji
xyxyxx
xxf
(52)
こいつらがまだ不明なまま (ハイパーパラメータ)
ハイパーパラメータの推定
ハイパーパラメータα、σを求めたい。
),|Pr(maxarg)ˆ,ˆ(),(
yY
観測している画像Yが出現する確率が最大になるようにパラメータの値を決定する。
最尤推定
(73)
ハイパーパラメータの推定
),|Pr(maxarg)ˆ,ˆ(),(
yY
最尤推定を解く
(73)
通常は、
0),|Pr(ln
yY
0),|Pr(
yY
または、
),(
),(
となる、 を求めるが、、、 ),(
ハイパーパラメータの推定
),|Pr(maxarg)ˆ,ˆ(),(
yY
最尤推定を解く
(73)
XX
XXYYXY )|Pr(),|Pr(),|,Pr(),|Pr( (72)
X
},{
22
2)(
2
1exp)(
2
1exp
ji
ji
i
ii xxxy
(1)式 (28)式
式が複雑で、簡単に極大値を計算できない。
ハイパーパラメータの推定
),|Pr(maxarg)ˆ,ˆ(),(
yY
最尤推定を解く
(73)
EMアルゴリズム
EMアルゴリズム
1. 関数Qを定義
X
yYXyYX
y
),|,Pr(ln))(),(,|Pr(
)),(),(|,(
tt
ttQ定数
(74)
EMアルゴリズム
1. 関数Qを定義
X
yYXyYX
y
),|,Pr(ln))(),(,|Pr(
)),(),(|,(
tt
ttQ
2. 以下を満たすσ、αを求める
0),,|,(
yYQ ),(
(74)
)),(),(|,(maxarg)ˆ,ˆ(),(
yttQ
を解く
EMアルゴリズム
1. 関数Qを定義
X
yYXyYX
y
),|,Pr(ln))(),(,|Pr(
)),(),(|,(
tt
ttQ
2. 以下を満たすσ、αを求める
(74)
)),(),(|,(maxarg)ˆ,ˆ(),(
yttQ
3. σ(t)、α(t)を更新
)ˆ,ˆ()1(),1( tt
EMアルゴリズム
1. 関数Qを定義
X
yYXyYX
y
),|,Pr(ln))(),(,|Pr(
)),(),(|,(
tt
ttQ
2. 以下を満たすσ、αを求める
(74)
)),(),(|,(maxarg)ˆ,ˆ(),(
yttQ
3. σ(t)、α(t)を更新
)ˆ,ˆ()1(),1( tt収束するまで繰り返す
目的
• 観測画像Yから元画像Xを推定したい。
• 方法
– Yが与えられた時の各画素iの期待値 を求める。
–各画素iの周辺分布 を求める。
– Yが与えられた時のXの事後分布 を求める。
)|Pr( YX
)|Pr( YiX
)|( YiXE
元画像Xの推定
ij
iij
i
ii xMZ
xX )(1
)|Pr( yY (55)
観測画像Yが与えられた時の、元画像Xの各画素iにおける周辺確率が求まった!
1
0
)|Pr()|(Q
x
iiii
i
xXxXE YY
以下の式で各画素の期待値を計算
ハイパーパラメータα、σも求まった!
以上!
まとめ
ノイズの乗った観測画像Yから元画像Xを推定した 1. ベイズの公式を使って、観測画像Yと元画像Xの関係をモデル化
2. 閉路での確率伝搬法(LBP)を用いて、元画像の各画素における周辺分布を計算
3. EMアルゴリズムを用いてハイパーパラメータを推定
4. 周辺分布を使用して、元画像Xの各画素の期待値を計算
ありがとうございました。