整合卷积神经网络和神经过程的图像数据补全方法

神经过程(NP)能够结合神经网络和高斯过程的优势,通过少量上下文数据估计不确定性分布函数,实现函数回归功能.现已应用于数据补全、分类等多种机器学习任务.但面对二维数据回归问题(如图像数据补全),神经过程预测准确度有限且对上下文数据的拟合存在欠缺.为此,将卷积神经网络(CNN)整合到神经过程中,基于证据下界和损失函数推导,构造了面向图像的神经过程(IFNP)模型.在IFNP基础上,设计了适用于IFNP的局部池化聚合模块和全局交叉注意力模块,并构造出性能明显优于NP和IFNP的的面向图像的注意力神经过程(IFANP)模型.最后,相关模型应用于MNIST及CelebA数据集,通过定性与定量分析相结合,展现出IFNP的可扩展性,证实了 IFANP更佳的数据补全及细节拟合能力.