高维逆问题求解的贝叶斯多尺度深度生成模型
，
贝叶斯逆问题的PyTorch实现。 使用所提出的多尺度深度生成模型进行参数化可以利用目标参数的多尺度性质。 将多尺度生成模型与马尔可夫链蒙特卡洛（MCMC）相结合，实现了跨尺度的推理，使我们能够有效地获得各种尺度的后验参数样本。
用两种类型的非均质介质渗透率估算方法论证了所开发的方法。 一个是具有不确定长度范围的高斯随机场（GRF），另一个是通道化磁导率，其中两个区域由不同的GRF定义。
洞察力
基于香草VAE，我们扩展并推导了MDGM，它可以使用适当设计的潜在空间生成各种尺度的空间参数。
所提出的多尺度推理方法基于MDGM跨尺度有效执行推理。
灵活的方案允许通过粗尺度推断有效估计粗略/全局参数特征，并通过细尺度推断有效地进行参数细化
提出的方法在高斯和非高斯反演任务中得到了证明。
依存关系
Python3
PyTorch 0.4
疯
