論文の概要: Reducing the Representation Error of GAN Image Priors Using the Deep Decoder

• arxiv url: http://arxiv.org/abs/2001.08747v1
• Date: Thu, 23 Jan 2020 18:37:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-07 10:02:15.507553
• Title: Reducing the Representation Error of GAN Image Priors Using the Deep Decoder
• Title（参考訳）: ディープデコーダを用いたgan画像の事前表現誤差の低減
• Authors: Max Daniels, Paul Hand, Reinhard Heckel
• Abstract要約: 本稿では,GANプリエントとディープデコーダの線形結合としてイメージをモデル化することにより,GANプリエントの表現誤差を低減する手法を提案する。 圧縮センシングと画像スーパーレゾリューションのために、我々のハイブリッドモデルは、GANプリエントとディープデコーダを別々に比較すると、PSNRが常に高い値を示す。
• 参考スコア（独自算出の注目度）: 29.12824512060469
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative models, such as GANs, learn an explicit low-dimensional representation of a particular class of images, and so they may be used as natural image priors for solving inverse problems such as image restoration and compressive sensing. GAN priors have demonstrated impressive performance on these tasks, but they can exhibit substantial representation error for both in-distribution and out-of-distribution images, because of the mismatch between the learned, approximate image distribution and the data generating distribution. In this paper, we demonstrate a method for reducing the representation error of GAN priors by modeling images as the linear combination of a GAN prior with a Deep Decoder. The deep decoder is an underparameterized and most importantly unlearned natural signal model similar to the Deep Image Prior. No knowledge of the specific inverse problem is needed in the training of the GAN underlying our method. For compressive sensing and image superresolution, our hybrid model exhibits consistently higher PSNRs than both the GAN priors and Deep Decoder separately, both on in-distribution and out-of-distribution images. This model provides a method for extensibly and cheaply leveraging both the benefits of learned and unlearned image recovery priors in inverse problems.
• Abstract（参考訳）: GANのような生成モデルは、特定の種類の画像の明示的な低次元表現を学習するので、画像復元や圧縮センシングといった逆問題を解決するために、自然な画像先行として使用できる。 GANの先行研究はこれらのタスクにおいて顕著な性能を示してきたが、学習された近似画像分布とデータ生成分布とのミスマッチのため、分布内および分布外の両方に相当な表現誤差を示すことができる。 本稿では,GAN先行画像とDeep Decoderとの線形結合をモデル化することにより,GAN先行画像の表現誤差を低減する手法を示す。 ディープデコーダ(Deep Decoder)は、Deep Image Priorと同様のパラメータ化され、最も重要でない自然信号モデルである。 本手法の根底にあるGANの訓練には,特定の逆問題に関する知識は必要ない。 圧縮センシングと画像の超解像では,ganプリミティブとディープデコーダをそれぞれ分離して,分布内画像と分布外画像の両方において一貫して高いpsnrを示す。 このモデルは、逆問題における学習と未学習の画像回復の利点の両方を拡張的かつ安価に活用する方法を提供する。

関連論文リスト

• Chasing Better Deep Image Priors between Over- and Under-parameterization [63.8954152220162]
  そこで本研究では,DNN固有の空間性を利用して,LIP(lottery image prior)を新たに検討する。 LIPworksは、コンパクトなモデルサイズでディープデコーダを著しく上回っている。 また、LIPを圧縮センシング画像再構成に拡張し、事前学習したGANジェネレータを前者として使用する。
  論文  参考訳（メタデータ） (2024-10-31T17:49:44Z)
• Fast constrained sampling in pre-trained diffusion models [77.21486516041391]
  拡散モデルは、大規模な生成画像モデルの分野を支配してきた。 本研究では,大規模な事前学習拡散モデルにおける高速拘束サンプリングのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-24T14:52:38Z)
• JoIN: Joint GANs Inversion for Intrinsic Image Decomposition [16.02463667910604]
  我々は,GAN(Generative Adversarial Networks)のバンクを用いて,不測の逆画像問題を解決することを提案する。 提案手法は,複雑な画像分布をキャプチャするGANの実証的な成功に基づいている。
  論文  参考訳（メタデータ） (2023-05-18T22:09:32Z)
• Latent Multi-Relation Reasoning for GAN-Prior based Image Super-Resolution [61.65012981435095]
  LARENはグラフベースの非絡み合いであり、階層的マルチリレーショナル推論によってより優れた非絡み合い空間を構築する。 我々は、LARENが優れた大因子画像SRを実現し、複数のベンチマークで常に最先端の性能を発揮することを示す。
  論文  参考訳（メタデータ） (2022-08-04T19:45:21Z)
• Diverse super-resolution with pretrained deep hiererarchical VAEs [6.257821009472099]
  画像超解像問題に対する多種多様な解を生成する問題について検討する。 我々は、事前訓練されたHVAEの潜在空間における低解像度画像を符号化する軽量エンコーダを訓練する。 推論では,低解像度エンコーダと事前学習した生成モデルを組み合わせて画像の超解像を行う。
  論文  参考訳（メタデータ） (2022-05-20T17:57:41Z)
• Learning Discriminative Shrinkage Deep Networks for Image Deconvolution [122.79108159874426]
  本稿では,これらの用語を暗黙的にモデル化する識別的縮小関数を学習することで,効果的に非盲検デコンボリューション手法を提案する。 実験結果から,提案手法は最先端の手法に対して,効率と精度の点で好適に動作することがわかった。
  論文  参考訳（メタデータ） (2021-11-27T12:12:57Z)
• StyleGAN-induced data-driven regularization for inverse problems [2.5138572116292686]
  GAN(Generative Adversarial Network)の最近の進歩は、これまで生成できなかった高解像度画像の生成の可能性を広げている。 本研究では,事前学習したStyleGAN2ジェネレータの潜在能力を生かしたフレームワークを開発した。 画像インペイントと超解像の逆問題を考えると、提案手法は最先端のGANベースの画像再構成手法と競合し、時には優位であることを示す。
  論文  参考訳（メタデータ） (2021-10-07T22:25:30Z)
• Low-Light Image Enhancement with Normalizing Flow [92.52290821418778]
  本稿では,この一対多の関係を正規化フローモデルを用いてモデル化する。 低照度画像/特徴を条件として取り、通常露光される画像の分布をガウス分布にマッピングすることを学ぶ可逆ネットワーク。 既存のベンチマークデータセットによる実験結果から,提案手法はより定量的,質的な結果を得ることができ,照度が良く,ノイズやアーティファクトが小さく,色も豊かになることがわかった。
  論文  参考訳（メタデータ） (2021-09-13T12:45:08Z)
• Deep Variational Network Toward Blind Image Restoration [60.45350399661175]
  ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。 両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。 画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2020-08-25T03:30:53Z)

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。