[论文解读] Stochastic Wasserstein Barycenters
本文提出了一种基于样本访问的随机、无正则化算法，用于计算连续概率分布的Wasserstein中位数。通过在对偶目标上使用随机梯度上升迭代调整中位数的支撑集，该方法生成的中位数比以往固定支撑集或正则化方法更为清晰且具有几何感知性，适用于蓝噪声生成和超采样等应用。
We present a stochastic algorithm to compute the barycenter of a set of probability distributions under the Wasserstein metric from optimal transport. Unlike previous approaches, our method extends to continuous input distributions and allows the support of the barycenter to be adjusted in each iteration. We tackle the problem without regularization, allowing us to recover a sharp output whose support is contained within the support of the true barycenter. We give examples where our algorithm recovers a more meaningful barycenter than previous work. Our method is versatile and can be extended to applications such as generating super samples from a given distribution and recovering blue noise approximations.
研究动机与目标
- 解决现有Wasserstein中位数方法依赖熵正则化或固定离散支撑集的局限性。
- 实现仅通过样本访问连续输入分布来计算中位数，而无需分布函数或预定义网格。
- 通过在优化过程中动态调整中位数的支撑集，生成更清晰、更几何精确的中位数。
- 在具有锐利特征的问题（如线或椭圆上的均匀分布）中展示该方法的优越性。
- 将该方法扩展至实际应用，如蓝噪声生成和复杂分布的超采样。
提出的方法
- 将中位数计算表述为对偶势函数的凹最大化问题，利用Wasserstein中位数问题的对偶公式。
- 使用随机梯度上升优化对偶目标，梯度通过从输入分布中采样计算得出。
- 通过‘抓取’步骤迭代更新中位数的支撑集，该步骤根据传输映射将点移动至最优位置。
- 通过直接求解未正则化问题避免正则化，从而在输出中保持锐利性。
- 该方法可并行化，且无需固定支撑网格，能够动态适应真实中位数的几何结构。
- 通过梯度范数监控收敛性，当 ‖∇F‖₂² ≤ 10⁻⁶ 时终止。
实验结果
研究问题
- RQ1能否仅通过样本访问，利用随机、无正则化算法计算Wasserstein中位数，而无需假设固定支撑集？
- RQ2中位数支撑集的动态调整如何影响输出的锐利性和几何保真度，相较于固定支撑集方法？
- RQ3在具有锐利特征（如线或椭圆上的均匀测度）的情况下，所提方法是否能比现有方法更接近理论预期的中位数？
- RQ4该方法能否有效应用于蓝噪声生成和复杂分布的超采样等实际问题？
- RQ5在N=2情况下，即中位数应对应McCann插值时，该方法表现如何？
主要发现
- 与正则化或固定支撑集方法相比，该算法在具有锐利几何特征（如线或椭圆上的均匀分布）的问题上生成了显著更清晰的中位数。
- 在N=2且输入为单位正方形上均匀测度的情况下，该方法恢复了中点正方形上的预期均匀中位数，而Staib等人（2017）得到的结果非均匀且支撑非均匀。
- 对于N=10个线上的均匀分布，中位数清晰地支撑于单一线上，符合理论预期，而竞争方法则产生更宽或不准确的支撑。
- 该方法通过将强度图像视为分布并利用中位数算法采样，成功生成了高质量的蓝噪声点集，其质量与De Goes等人（2012）相当。
- 在混合了十个高斯分布的超采样中，由于负自相关性，该方法生成的点更好地遵循密度轮廓，优于i.i.d.采样（后者过度采样高密度区域）。
- 该算法在每个抓取步骤内平均不到20次迭代即可可靠收敛，多个示例中单步抓取迭代已足够，表明其具有强大的实际效率。
更好的研究，从现在开始
从论文设计到论文写作，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。