論文の概要: Total Deep Variation for Linear Inverse Problems
- arxiv url: http://arxiv.org/abs/2001.05005v2
- Date: Mon, 17 Feb 2020 19:39:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-11 12:35:24.728944
- Title: Total Deep Variation for Linear Inverse Problems
- Title(参考訳): 線形逆問題に対する総深部変動
- Authors: Erich Kobler and Alexander Effland and Karl Kunisch and Thomas Pock
- Abstract要約: 本稿では,近年のアーキテクチャ設計パターンを深層学習から活用する,学習可能な汎用正規化手法を提案する。
本稿では,古典的画像復元と医用画像再構成問題に対する最先端の性能について述べる。
- 参考スコア(独自算出の注目度): 71.90933869570914
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Diverse inverse problems in imaging can be cast as variational problems
composed of a task-specific data fidelity term and a regularization term. In
this paper, we propose a novel learnable general-purpose regularizer exploiting
recent architectural design patterns from deep learning. We cast the learning
problem as a discrete sampled optimal control problem, for which we derive the
adjoint state equations and an optimality condition. By exploiting the
variational structure of our approach, we perform a sensitivity analysis with
respect to the learned parameters obtained from different training datasets.
Moreover, we carry out a nonlinear eigenfunction analysis, which reveals
interesting properties of the learned regularizer. We show state-of-the-art
performance for classical image restoration and medical image reconstruction
problems.
- Abstract(参考訳): 画像における様々な逆問題は、タスク固有のデータ忠実性項と正規化項からなる変分問題としてキャストできる。
本稿では,近年のアーキテクチャ設計パターンをディープラーニングから活用した,学習可能な汎用正規化手法を提案する。
学習問題を離散標本化最適制御問題とみなし,隣接状態方程式と最適条件を導出する。
本手法のばらつき構造を生かして,異なるトレーニングデータセットから得られた学習パラメータに対して感度解析を行う。
さらに, 学習正規化器の興味深い性質を明らかにする非線形固有関数解析を行う。
古典的画像復元と医用画像復元における最新性能を示す。
関連論文リスト
- Robustness and Exploration of Variational and Machine Learning
Approaches to Inverse Problems: An Overview [50.166025644333295]
本稿では,変分法と機械学習を用いた画像の逆問題に対する現在のアプローチの概要について述べる。
特別な焦点は、点推定器とその敵の摂動に対する頑健性である。
論文 参考訳(メタデータ) (2024-02-19T11:48:11Z) - Convex Latent-Optimized Adversarial Regularizers for Imaging Inverse
Problems [8.33626757808923]
本稿では,新しいデータ駆動型パラダイムであるConvex Latent-d Adrial Regularizers (CLEAR)を紹介する。
CLEARは、ディープラーニング(DL)と変分正規化の融合を表す。
本手法は従来型のデータ駆動手法と従来型の正規化手法を一貫して上回っている。
論文 参考訳(メタデータ) (2023-09-17T12:06:04Z) - Fractal Structure and Generalization Properties of Stochastic
Optimization Algorithms [71.62575565990502]
最適化アルゴリズムの一般化誤差は、その一般化尺度の根底にあるフラクタル構造の複雑性'にバウンドできることを示す。
さらに、特定の問題(リニア/ロジスティックレグレッション、隠れ/層ニューラルネットワークなど)とアルゴリズムに対して、結果をさらに専門化します。
論文 参考訳(メタデータ) (2021-06-09T08:05:36Z) - Shared Prior Learning of Energy-Based Models for Image Reconstruction [69.72364451042922]
本研究では,地中真理データを含まないトレーニングに特化して設計された画像再構成のための新しい学習ベースフレームワークを提案する。
基底真理データがない場合には、損失関数をパッチベースのワッサーシュタイン関数に変更する。
共用事前学習では、上記の最適制御問題と正規化器の共用学習パラメータを同時に最適化する。
論文 参考訳(メタデータ) (2020-11-12T17:56:05Z) - Learned convex regularizers for inverse problems [3.294199808987679]
本稿では,逆問題に対する正規化器として,データ適応型入力ニューラルネットワーク(ICNN)を学習することを提案する。
パラメータ空間における単調な誤差を反復で減少させる部分次アルゴリズムの存在を実証する。
提案した凸正則化器は, 逆問題に対する最先端のデータ駆動技術に対して, 少なくとも競争力があり, 時には優位であることを示す。
論文 参考訳(メタデータ) (2020-08-06T18:58:35Z) - A Flexible Framework for Designing Trainable Priors with Adaptive
Smoothing and Game Encoding [57.1077544780653]
我々は、前方通過を非滑らかな凸最適化問題として解釈できるニューラルネットワーク層の設計とトレーニングのための一般的なフレームワークを紹介する。
グラフのノードに代表されるローカルエージェントによって解決され、正規化関数を介して相互作用する凸ゲームに焦点を当てる。
このアプローチは、訓練可能なエンドツーエンドのディープモデル内で、古典的な画像の事前使用を可能にするため、画像の問題を解決するために魅力的である。
論文 参考訳(メタデータ) (2020-06-26T08:34:54Z) - Model-Aware Regularization For Learning Approaches To Inverse Problems [11.314492463814817]
本稿では,逆問題に適用可能なディープラーニング手法の一般化誤差の解析を行う。
本稿では、フォワードマップの知識を活用してネットワークの一般化を改善する「プラグ・アンド・プレイ」レギュラーを提案する。
我々は,他の最先端手法に対するモデル認識型ディープラーニングアルゴリズムの有効性を実証する。
論文 参考訳(メタデータ) (2020-06-18T21:59:03Z) - Total Deep Variation: A Stable Regularizer for Inverse Problems [71.90933869570914]
本稿では,データ駆動型汎用全深度変動正規化器について紹介する。
コアでは、畳み込みニューラルネットワークが複数のスケールや連続したブロックで局所的な特徴を抽出する。
我々は多数の画像処理タスクに対して最先端の結果を得る。
論文 参考訳(メタデータ) (2020-06-15T21:54:15Z) - Joint learning of variational representations and solvers for inverse
problems with partially-observed data [13.984814587222811]
本稿では,教師付き環境において,逆問題に対する実際の変分フレームワークを学習するためのエンドツーエンドフレームワークを設計する。
変動コストと勾配に基づく解法はどちらも、後者の自動微分を用いたニューラルネットワークとして記述される。
これにより、データ駆動による変分モデルの発見につながる。
論文 参考訳(メタデータ) (2020-06-05T19:53:34Z)
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。