論文の概要: BP-DIP: A Backprojection based Deep Image Prior

• arxiv url: http://arxiv.org/abs/2003.05417v2
• Date: Tue, 30 Jun 2020 17:01:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-24 14:14:42.576163
• Title: BP-DIP: A Backprojection based Deep Image Prior
• Title（参考訳）: BP-DIP: バックプロジェクションベースのDeep Image Prior
• Authors: Jenny Zukerman, Tom Tirer, Raja Giryes
• Abstract要約: 画像復元手法として, (i)Deep Image Prior (DIP) と (ii) バックプロジェクション (BP) の2つの手法を提案する。 提案手法はBP-DIP(BP-DIP)と呼ばれ,高いPSNR値とより優れた推論実行時間を持つ通常のDIPよりも優れた性能を示す。
• 参考スコア（独自算出の注目度）: 49.375539602228415
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep neural networks are a very powerful tool for many computer vision tasks, including image restoration, exhibiting state-of-the-art results. However, the performance of deep learning methods tends to drop once the observation model used in training mismatches the one in test time. In addition, most deep learning methods require vast amounts of training data, which are not accessible in many applications. To mitigate these disadvantages, we propose to combine two image restoration approaches: (i) Deep Image Prior (DIP), which trains a convolutional neural network (CNN) from scratch in test time using the given degraded image. It does not require any training data and builds on the implicit prior imposed by the CNN architecture; and (ii) a backprojection (BP) fidelity term, which is an alternative to the standard least squares loss that is usually used in previous DIP works. We demonstrate the performance of the proposed method, termed BP-DIP, on the deblurring task and show its advantages over the plain DIP, with both higher PSNR values and better inference run-time.
• Abstract（参考訳）: ディープニューラルネットワークは、画像復元、最先端の結果の表示など、多くのコンピュータビジョンタスクのための非常に強力なツールである。 しかし, 深層学習法の性能は, 学習に使用する観測モデルが試験時間中に誤マッチすると低下する傾向にある。 さらに、多くのディープラーニング手法は大量のトレーニングデータを必要とするが、多くのアプリケーションではアクセスできない。 これらの欠点を軽減するために,2つの画像復元手法を組み合わせることを提案する。 (i)Deep Image Prior(DIP)は、与えられた劣化画像を用いて、テスト時間のスクラッチから畳み込みニューラルネットワーク(CNN)を訓練する。 トレーニングデータを一切必要とせず、CNNアーキテクチャが課した暗黙の前提の上に構築する。 (ii)バックプロジェクション(bp)忠実性項は、通常以前のディップワークで使われる標準最小二乗損失の代替である。 提案手法であるbp-dipの性能をデブラリングタスクで実証し,psnr値の上昇と実行時間の改善を両立させることで,平易なディップよりもそのアドバンテージを示す。

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)
• Deep Multi-Threshold Spiking-UNet for Image Processing [51.88730892920031]
  本稿では,SNN(Spike Neural Networks)とU-Netアーキテクチャを組み合わせた,画像処理のためのスパイキング-UNetの概念を紹介する。 効率的なスパイキング-UNetを実現するためには,スパイクによる高忠実度情報伝播の確保と,効果的なトレーニング戦略の策定という2つの課題に直面する。 実験の結果,画像のセグメンテーションとデノイングにおいて,スパイキングUNetは非スパイキングと同等の性能を発揮することがわかった。
  論文  参考訳（メタデータ） (2023-07-20T16:00:19Z)
• Residual Back Projection With Untrained Neural Networks [1.2707050104493216]
  CT(Computed tomography)における反復的再構成(IR)の枠組みについて述べる。 我々のフレームワークは、この構造情報をDIP(Deep Image Prior)として組み込んでいる。 対象関数を最小限に抑え,高精度な再構成を実現するために,未学習のU-netと新たな後方投射を併用して提案する。
  論文  参考訳（メタデータ） (2022-10-26T01:58:09Z)
• MetaDIP: Accelerating Deep Image Prior with Meta Learning [15.847098400811188]
  メタラーニングを用いて、DIPベースの再構築を大幅に加速する。 さまざまな逆イメージングタスクにおけるランタイムの10倍の改善を実演する。
  論文  参考訳（メタデータ） (2022-09-18T02:41:58Z)
• Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
  画像再構成に有効な先行画像として, 奥行き画像が導入された。 その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。 計算課題に対処する2段階の学習パラダイムを開発する。
  論文  参考訳（メタデータ） (2021-11-23T15:08:26Z)
• Image Restoration by Deep Projected GSURE [115.57142046076164]
  Ill-posed inverse problem は、デブロアリングや超解像など、多くの画像処理アプリケーションに現れる。 本稿では,一般化されたSteinUnbiased Risk Estimator(GSURE)の「投影変換」とCNNによる潜在画像のパラメータ化を含む損失関数の最小化に基づく,新たな画像復元フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-04T08:52:46Z)
• Deep Artifact-Free Residual Network for Single Image Super-Resolution [0.2399911126932526]
  本研究では,残差学習の利点と,地中構造像を目標として用いることの利点を活かしたDAFR(Deep Artifact-Free Residual)ネットワークを提案する。 我々のフレームワークは、高品質な画像再構成に必要な高周波情報を抽出するために、ディープモデルを用いている。 実験の結果,提案手法は既存の手法に比べて定量的,定性的な画像品質を実現することがわかった。
  論文  参考訳（メタデータ） (2020-09-25T20:53:55Z)
• The Power of Triply Complementary Priors for Image Compressive Sensing [89.14144796591685]
  本稿では,一対の相補的な旅先を含むLRD画像モデルを提案する。 次に、画像CSのためのRDモデルに基づく新しいハイブリッド・プラグイン・アンド・プレイ・フレームワークを提案する。 そこで,提案したH-based image CS問題の解法として,単純で効果的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-05-16T08:17:44Z)
• On the interplay between physical and content priors in deep learning for computational imaging [5.486833154281385]
  我々は、レンズレス位相イメージングシステムにおいて、位相抽出ニューラルネットワーク(PhENN)を用いて定量的位相検索を行う。 2つの質問が関連していることを示し、トレーニング例の選択という共通点を共有します。 また, より弱い正規化効果により, 基礎となる伝搬モデルの学習性が向上することが判明した。
  論文  参考訳（メタデータ） (2020-04-14T08:36:46Z)

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。