Fugu-MT 論文翻訳(概要): Deep S$^3$PR: Simultaneous Source Separation and Phase Retrieval Using Deep Generative Models

論文の概要: Deep S$^3$PR: Simultaneous Source Separation and Phase Retrieval Using Deep Generative Models

arxiv url: http://arxiv.org/abs/2002.05856v2
Date: Wed, 14 Oct 2020 01:55:29 GMT
ステータス: 処理完了
システム内更新日: 2023-01-01 04:21:27.001632
Title: Deep S$^3$PR: Simultaneous Source Separation and Phase Retrieval Using Deep Generative Models
Title（参考訳）: deep s$^3$pr: deep generative modelを用いた同時音源分離と位相検索
Authors: Christopher A. Metzler and Gordon Wetzstein
Abstract要約: 本稿では,ソース分離・位相探索(S$3$PR)問題を紹介し,解決する。 S$3$PRは、顕微鏡、無線$通信、散乱媒体によるイメージングなど、アプリケーション領域において重要な問題であるが、ほとんど解決されていない問題である。
参考スコア（独自算出の注目度）: 61.508068988778476
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper introduces and solves the simultaneous source separation and phase retrieval (S$^3$PR) problem. S$^3$PR is an important but largely unsolved problem in a number application domains, including microscopy, wireless communication, and imaging through scattering media, where one has multiple independent coherent sources whose phase is difficult to measure. In general, S$^3$PR is highly under-determined, non-convex, and difficult to solve. In this work, we demonstrate that by restricting the solutions to lie in the range of a deep generative model, we can constrain the search space sufficiently to solve S$^3$PR.
Abstract（参考訳）: 本稿では,同時音源分離と位相検索(s$^3$pr)の問題を紹介し,解決する。 s$^3$prは、顕微鏡、無線通信、散乱媒体によるイメージングなど、多くの応用領域において重要だがほとんど解決されていない問題である。一般に、S$^3$PRは極めて過小評価され、非凸であり、解決が難しい。本研究では, 深部生成モデルの範囲内にある解を制限することにより, S$3$PRを解くのに十分な探索空間を制限できることを実証する。

関連論文リスト

Multiscale scattered data analysis in samplet coordinates [0.0]
グローバルにサポートされたラジアル基底関数に対するマルチスケールデータ分散スキームについて検討する。結果の一般化されたヴァンダーモンド行列をサンプル座標で表現することを提案する。各レベルにおける線形系の条件数は、特定のレベルとは独立に有界であることを証明する。
論文参考訳（メタデータ） (2024-09-23T08:07:47Z)
Polynomial-Time Solutions for ReLU Network Training: A Complexity Classification via Max-Cut and Zonotopes [70.52097560486683]
我々は、ReLUネットワークの近似の難しさがマックス・カッツ問題の複雑さを反映しているだけでなく、特定の場合において、それと完全に一致することを証明した。特に、$epsilonleqsqrt84/83-1approx 0.006$とすると、目的値に関して相対誤差$epsilon$でReLUネットワーク対象の近似グローバルデータセットを見つけることはNPハードであることが示される。
論文参考訳（メタデータ） (2023-11-18T04:41:07Z)
Factorization of Multi-Agent Sampling-Based Motion Planning [72.42734061131569]
現代のロボティクスは、共有環境内で複数のエンボディエージェントを動作させることが多い。標準的なサンプリングベースのアルゴリズムは、ロボットの関節空間における解の探索に使用できる。我々は、因子化の概念をサンプリングベースアルゴリズムに統合し、既存の手法への最小限の変更しか必要としない。本稿では, PRM* のサンプル複雑性の観点から解析的ゲインを導出し, RRG の実証結果を示す。
論文参考訳（メタデータ） (2023-04-01T15:50:18Z)
DeepHAM: A Global Solution Method for Heterogeneous Agent Models with Aggregate Shocks [9.088303226909277]
ヘテロジニアスエージェントモデル(DeepHAM$)のための,効率よく,信頼性が高く,解釈可能なグローバルソリューション法である$textitDeep学習ベースアルゴリズムを提案する。
論文参考訳（メタデータ） (2021-12-29T03:09:19Z)
Settling the Horizon-Dependence of Sample Complexity in Reinforcement Learning [82.31436758872715]
我々は,環境相互作用の$O(1)$のエピソードのみを用いて,同一のPAC保証を実現するアルゴリズムを開発した。値関数と有限水平マルコフ決定過程の接続を確立する。
論文参考訳（メタデータ） (2021-11-01T00:21:24Z)
A Riemannian Block Coordinate Descent Method for Computing the Projection Robust Wasserstein Distance [36.97843660480747]
wasserstein距離は、機械学習とディープラーニングにおいてますます重要になっている。最近提案された次元の呪いを和らげるためのアプローチは、サンプルデータを低次元の部分空間に投影し、それから投影されたデータ間のワッサーシュタイン距離を計算することである。しかし、このアプローチは、実際には非常に難しいStiefel多様体上の最大分問題を解決する必要があります。本研究では,Stiefel多様体上の正規化最大ミン問題の新たな再構成に基づく,この問題を解くための新しいブロック座標降下法(RBCD)を提案する。
論文参考訳（メタデータ） (2020-12-09T17:47:56Z)
Weakly Supervised Generative Network for Multiple 3D Human Pose Hypotheses [74.48263583706712]
単一画像からの3次元ポーズ推定は、欠落した深さのあいまいさに起因する逆問題である。逆問題に対処するために,弱い教師付き深層生成ネットワークを提案する。
論文参考訳（メタデータ） (2020-08-13T09:26:01Z)
On the Distribution of Minima in Intrinsic-Metric Rotation Averaging [14.226664427133901]
本稿では,ローテーション平均化問題における局所最小値の空間分布について検討する。問題の商多様体幾何を認識することで、一般の$l_p$コストを改善することができる。以上の結果から,接続性が問題障害の指標となることが示唆された。
論文参考訳（メタデータ） (2020-03-18T16:03:22Z)
Joint Wasserstein Distribution Matching [89.86721884036021]
JDM問題(Joint Distribution matching)は、2つのドメインの関節分布を一致させるために双方向マッピングを学習することを目的としており、多くの機械学習およびコンピュータビジョンアプリケーションで発生している。 2つの領域における関節分布のワッサーシュタイン距離を最小化することにより、JDM問題に対処することを提案する。そこで我々は,難解な問題を簡単な最適化問題に還元する重要な定理を提案し,その解法を開発した。
論文参考訳（メタデータ） (2020-03-01T03:39:00Z)

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。