論文の概要: Tuning-free Plug-and-Play Proximal Algorithm for Inverse Imaging
Problems
- arxiv url: http://arxiv.org/abs/2002.09611v2
- Date: Wed, 18 Nov 2020 13:33:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-29 19:36:56.666413
- Title: Tuning-free Plug-and-Play Proximal Algorithm for Inverse Imaging
Problems
- Title(参考訳): 逆画像問題に対する調整不要プラグアンドプレイ近似アルゴリズム
- Authors: Kaixuan Wei, Angelica Aviles-Rivero, Jingwei Liang, Ying Fu,
Carola-Bibiane Sch\"onlieb, Hua Huang
- Abstract要約: Plug-and-play ()は、異なる学習アルゴリズムと先進的なデノイザプリエントを組み合わせた、カスタマイズされていないフレームワークである。
重要な問題です。
ベースとなるアプローチは、手動でパラメータを調整する必要があることです。
提案手法の鍵となるのは,パラメータの自動チューニングのためのネットワークポリシの開発である。
圧縮センシングと位相検索において有望な結果を示す。
- 参考スコア(独自算出の注目度): 22.239477171296056
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Plug-and-play (PnP) is a non-convex framework that combines ADMM or other
proximal algorithms with advanced denoiser priors. Recently, PnP has achieved
great empirical success, especially with the integration of deep learning-based
denoisers. However, a key problem of PnP based approaches is that they require
manual parameter tweaking. It is necessary to obtain high-quality results
across the high discrepancy in terms of imaging conditions and varying scene
content. In this work, we present a tuning-free PnP proximal algorithm, which
can automatically determine the internal parameters including the penalty
parameter, the denoising strength and the terminal time. A key part of our
approach is to develop a policy network for automatic search of parameters,
which can be effectively learned via mixed model-free and model-based deep
reinforcement learning. We demonstrate, through numerical and visual
experiments, that the learned policy can customize different parameters for
different states, and often more efficient and effective than existing
handcrafted criteria. Moreover, we discuss the practical considerations of the
plugged denoisers, which together with our learned policy yield
state-of-the-art results. This is prevalent on both linear and nonlinear
exemplary inverse imaging problems, and in particular, we show promising
results on Compressed Sensing MRI and phase retrieval.
- Abstract(参考訳): plug-and-play (pnp) は非凸フレームワークであり、admmや他の近位アルゴリズムと高度なデノイザープリエントを組み合わせたものである。
近年、PnPは、特にディープラーニングベースのデノイザの統合によって、大きな経験的成功を遂げている。
しかし、PnPベースのアプローチの大きな問題は、手動パラメータの調整が必要であることである。
画像条件やシーン内容の相違点から高品質な結果を得る必要がある。
本研究では,ペナルティパラメータ,消音強度,終端時間を含む内部パラメータを自動的に決定できるチューニングフリーなpnp近位アルゴリズムを提案する。
提案手法の重要な部分はパラメータの自動探索のためのポリシーネットワークを開発することであり,モデルフリーとモデルベース深層強化学習を併用して効果的に学習することができる。
我々は,数値的および視覚的な実験により,学習方針が異なる状態に対して異なるパラメータをカスタマイズ可能であり,多くの場合,既存の手作りの基準よりも効率的かつ効果的であることを実証する。
さらに, プラグド・デノイザの実践的考察を考察し, 学習政策と合わせて最先端の成果を得た。
これは線形および非線形の逆イメージング問題の両方に共通しており、特に、圧縮センシングmriおよび位相検索において有望な結果を示す。
関連論文リスト
- PnP-Flow: Plug-and-Play Image Restoration with Flow Matching [2.749898166276854]
本稿では,逆画像問題の解法であるPlug-and-Play Flow Matchingを提案する。
我々は,デノイング,スーパーレゾリューション,インペインティングのタスクにおける性能を評価した。
論文 参考訳(メタデータ) (2024-10-03T12:13:56Z) - Sub-linear Regret in Adaptive Model Predictive Control [56.705978425244496]
本稿では,STT-MPC (Self-Tuning tube-based Model Predictive Control) について述べる。
システム力学を最初に認識したアルゴリズムと比較して,アルゴリズムの後悔を解析する。
論文 参考訳(メタデータ) (2023-10-07T15:07:10Z) - PRISTA-Net: Deep Iterative Shrinkage Thresholding Network for Coded
Diffraction Patterns Phase Retrieval [6.982256124089]
位相検索は、計算画像および画像処理における非線型逆問題である。
我々は,1次反復しきい値しきい値アルゴリズム(ISTA)に基づく深層展開ネットワークであるPRISTA-Netを開発した。
非線形変換,しきい値,ステップサイズなど,提案するPRISTA-Netフレームワークのパラメータはすべて,設定されるのではなく,エンドツーエンドで学習される。
論文 参考訳(メタデータ) (2023-09-08T07:37:15Z) - Online Continuous Hyperparameter Optimization for Generalized Linear Contextual Bandits [55.03293214439741]
文脈的包帯では、エージェントは過去の経験に基づいた時間依存アクションセットから順次アクションを行う。
そこで本稿では,文脈的包帯のためのオンライン連続型ハイパーパラメータチューニングフレームワークを提案する。
理論上はサブ線形の後悔を達成でき、合成データと実データの両方において既存のすべての手法よりも一貫して優れた性能を発揮することを示す。
論文 参考訳(メタデータ) (2023-02-18T23:31:20Z) - Modality-Agnostic Variational Compression of Implicit Neural
Representations [96.35492043867104]
Inlicit Neural Representation (INR) としてパラメータ化されたデータの関数的ビューに基づくモーダリティ非依存型ニューラル圧縮アルゴリズムを提案する。
潜時符号化と疎性の間のギャップを埋めて、ソフトゲーティング機構に非直線的にマッピングされたコンパクト潜時表現を得る。
このような潜在表現のデータセットを得た後、ニューラル圧縮を用いてモーダリティ非依存空間におけるレート/歪みトレードオフを直接最適化する。
論文 参考訳(メタデータ) (2023-01-23T15:22:42Z) - Improve Noise Tolerance of Robust Loss via Noise-Awareness [60.34670515595074]
本稿では,NARL-Adjuster(NARL-Adjuster for brevity)と呼ばれる,ハイパーパラメータ予測関数を適応的に学習するメタラーニング手法を提案する。
4つのSOTAロバストな損失関数を我々のアルゴリズムに統合し,提案手法の一般性および性能をノイズ耐性と性能の両面で検証した。
論文 参考訳(メタデータ) (2023-01-18T04:54:58Z) - Online Deep Equilibrium Learning for Regularization by Denoising [20.331171081002957]
Plug-and-Play Equilibrium Priors (メモリ)とRegularization by Denoising (RED)は、固定点の計算によって逆画像問題を解決するために広く使われているフレームワークである。
我々は,測定総数に基づいてDEC/REDの効率を向上させるための新しい戦略としてODERを提案する。
以上の結果から,ODERによるトレーニング/テストの複雑さが3つの異なる画像応用において改善する可能性が示唆された。
論文 参考訳(メタデータ) (2022-05-25T21:06:22Z) - Gradient Step Denoiser for convergent Plug-and-Play [5.629161809575015]
プラグイン・アンド・プレイの手法は、様々な画像問題に対して大きな視覚的パフォーマンスをもたらす可能性がある。
半四進法に基づく新しいタイプのPlug-and-Play法を提案する。
実験により、パフォーマンスを損なうことなく、そのような深い嫌悪者を学ぶことが可能であることが示されている。
論文 参考訳(メタデータ) (2021-10-07T07:11:48Z) - Preconditioned Plug-and-Play ADMM with Locally Adjustable Denoiser for
Image Restoration [54.23646128082018]
非定常雑音分散のパラメータ化が可能なデノイザを使用するために、プラグアンドプレイの最適化の概念を拡張した。
画素調整可能なデノイザは,適切なプレコンディショニング戦略とともに,いくつかのアプリケーションに対して,プラグアンドプレイADMMアプローチをさらに改善できることを示す。
論文 参考訳(メタデータ) (2021-10-01T15:46:35Z) - TFPnP: Tuning-free Plug-and-Play Proximal Algorithm with Applications to
Inverse Imaging Problems [22.239477171296056]
Plug-and-Play (MM) は非最適化フレームワークであり、例えば、数値アルゴリズムと高度なデノゲーション前処理を組み合わせたものである。
我々は、学習戦略とともに最先端の成果である、より難解な問題に対するいくつかの実践的考察について論じる。
論文 参考訳(メタデータ) (2020-11-18T14:19:30Z) - Variational Denoising Network: Toward Blind Noise Modeling and Removal [59.36166491196973]
ブラインド画像のデノイングはコンピュータビジョンにおいて重要な問題であるが、非常に難しい問題である。
本稿では,ノイズ推定と画像デノーミングを併用した新しい変分推論手法を提案する。
論文 参考訳(メタデータ) (2019-08-29T15:54:06Z)
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。