論文の概要: Neural Architecture Search for Deep Image Prior

• arxiv url: http://arxiv.org/abs/2001.04776v1
• Date: Tue, 14 Jan 2020 13:51:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-11 12:53:10.403852
• Title: Neural Architecture Search for Deep Image Prior
• Title（参考訳）: ディープイメージ先行のためのニューラルアーキテクチャ探索
• Authors: Kary Ho, Andrew Gilbert, Hailin Jin, John Collomosse
• Abstract要約: 我々は、最近提案されたDeep Image Prior (DIP)の下で、教師なし画像のノイズ除去、インペイント、超解像の性能を向上させるニューラルネットワークサーチ(NAS)技術を提案する。 本稿では,DIPネットワークのエンコーダ・デコーダ構造とメタパラメータを自動的に最適化し,これら単一画像復元タスクの正規化に先立って,コンテンツ固有として機能することを示す。 我々のバイナリ表現は、通常、500の人口規模を用いて、10～20世代以内にコンテンツ固有のDIPを生成する非対称なE-Dネットワークの設計空間を符号化する。
• 参考スコア（独自算出の注目度）: 31.89851551955021
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a neural architecture search (NAS) technique to enhance the performance of unsupervised image de-noising, in-painting and super-resolution under the recently proposed Deep Image Prior (DIP). We show that evolutionary search can automatically optimize the encoder-decoder (E-D) structure and meta-parameters of the DIP network, which serves as a content-specific prior to regularize these single image restoration tasks. Our binary representation encodes the design space for an asymmetric E-D network that typically converges to yield a content-specific DIP within 10-20 generations using a population size of 500. The optimized architectures consistently improve upon the visual quality of classical DIP for a diverse range of photographic and artistic content.
• Abstract（参考訳）: 我々は、最近提案されたDeep Image Prior (DIP)の下で、教師なし画像のノイズ除去、インペイント、超解像の性能を向上させるニューラルネットワークサーチ(NAS)技術を提案する。 本稿では,ディップネットワークのエンコーダ・デコーダ(e-d)構造とメタパラメータを自動的に最適化し,これら単一画像復元タスクの正規化に先立って,コンテンツ特有の役割を果たすことを示す。 我々のバイナリ表現は、通常10～20世代以内にコンテント固有のDIPを生成するために収束する非対称なE-Dネットワークの設計空間をエンコードする。 最適化されたアーキテクチャは、さまざまな写真や芸術的なコンテンツに対して、クラシックディップの視覚的品質を一貫して向上させる。

関連論文リスト

• Graph Image Prior for Unsupervised Dynamic Cardiac Cine MRI Reconstruction [10.330083869344445]
  グラフ画像優先(GIP)と呼ばれる動的MRI表現のための新しい手法を提案する。 GIPは2段階生成ネットワークを新しいモデリング手法に採用し、まず独立したCNNを用いて各フレームのイメージ構造を復元する。 グラフ畳み込みネットワークは特徴融合と画像生成に利用される。
  論文  参考訳（メタデータ） (2024-03-23T08:57:46Z)
• HKNAS: Classification of Hyperspectral Imagery Based on Hyper Kernel Neural Architecture Search [104.45426861115972]
  設計したハイパーカーネルを利用して,構造パラメータを直接生成することを提案する。 我々は1次元または3次元の畳み込みを伴う画素レベルの分類と画像レベルの分類を別々に行う3種類のネットワークを得る。 6つの公開データセットに関する一連の実験は、提案手法が最先端の結果を得ることを示した。
  論文  参考訳（メタデータ） (2023-04-23T17:27:40Z)
• Rank-Enhanced Low-Dimensional Convolution Set for Hyperspectral Image Denoising [50.039949798156826]
  本稿では,ハイパースペクトル(HS)画像の難解化問題に対処する。 ランク付き低次元畳み込み集合(Re-ConvSet)を提案する。 次に、Re-ConvSetを広く使われているU-Netアーキテクチャに組み込んで、HS画像復号法を構築する。
  論文  参考訳（メタデータ） (2022-07-09T13:35:12Z)
• Pruning-as-Search: Efficient Neural Architecture Search via Channel Pruning and Structural Reparameterization [50.50023451369742]
  プルーニング・アズ・サーチ(Pruning-as-Search、PaS)は、必要なサブネットワークを自動的に効率的に検索するエンドツーエンドのプルーニング手法である。 提案したアーキテクチャは,ImageNet-1000分類タスクにおいて,1.0%$ Top-1精度で先行技術より優れていた。
  論文  参考訳（メタデータ） (2022-06-02T17:58:54Z)
• ISNAS-DIP: Image-Specific Neural Architecture Search for Deep Image Prior [6.098254376499899]
  DIPフレームワークにおける最適なニューラルアーキテクチャは、画像に依存していることを示す。 本稿では,DIPフレームワークのイメージ固有のNAS戦略を提案する。 実験の結果,画像特異的な指標は探索空間を小さなコホートモデルに還元し,最も優れたモデルが現在のNAS手法より画像復元に優れていることが判明した。
  論文  参考訳（メタデータ） (2021-11-27T13:53:25Z)
• Image-specific Convolutional Kernel Modulation for Single Image Super-resolution [85.09413241502209]
  本稿では,新しい画像特異的畳み込み変調カーネル(IKM)を提案する。 我々は、画像や特徴のグローバルな文脈情報を利用して、畳み込みカーネルを適応的に調整するための注意重みを生成する。 単一画像超解像実験により,提案手法は最先端手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2021-11-16T11:05:10Z)
• ES-ImageNet: A Million Event-Stream Classification Dataset for Spiking Neural Networks [12.136368750042688]
  我々は,Omnidirectional Discrete Gradient (ODG) と呼ばれる高速かつ効率的なアルゴリズムを提案し,一般的なコンピュータビジョンデータセットであるILSVRC2012をイベントストリーム(ES)バージョンに変換する。 このようにして、ES-ImageNetは、現在、他のニューロモーフィック分類データセットの数十倍の大きさで、ソフトウェアによって完全に生成される。
  論文  参考訳（メタデータ） (2021-10-23T12:56:23Z)
• Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
  空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。 本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
  論文  参考訳（メタデータ） (2021-08-19T11:02:25Z)
• One Model to Reconstruct Them All: A Novel Way to Use the Stochastic Noise in StyleGAN [10.810541849249821]
  本稿では,複数のデータ領域にまたがる非常に高品質な画像を再構成可能な,新しいスタイルGANベースのオートエンコーダアーキテクチャを提案する。 提案アーキテクチャでは,従来のアプローチの約28倍高速な単一GPU上で,毎秒40イメージを処理可能である。
  論文  参考訳（メタデータ） (2020-10-21T16:24:07Z)
• NAS-DIP: Learning Deep Image Prior with Neural Architecture Search [65.79109790446257]
  近年の研究では、深部畳み込みニューラルネットワークの構造が、以前に構造化された画像として利用できることが示されている。 我々は,より強い画像の先行を捉えるニューラルネットワークの探索を提案する。 既存のニューラルネットワーク探索アルゴリズムを利用して,改良されたネットワークを探索する。
  論文  参考訳（メタデータ） (2020-08-26T17:59:36Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。