論文の概要: Learning Invariant Representation for Unsupervised Image Restoration

• arxiv url: http://arxiv.org/abs/2003.12769v1
• Date: Sat, 28 Mar 2020 11:20:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-18 23:45:05.209736
• Title: Learning Invariant Representation for Unsupervised Image Restoration
• Title（参考訳）: 教師なし画像復元のための学習不変表現
• Authors: Wenchao Du, Hu Chen and Hongyu Yang
• Abstract要約: クロスドメイン転送は、教師なし画像復元タスクに適用される。 雑音データから不変表現を明示的に学習する教師なし学習手法を提案する。
• 参考スコア（独自算出の注目度）: 20.61038510024114
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, cross domain transfer has been applied for unsupervised image restoration tasks. However, directly applying existing frameworks would lead to domain-shift problems in translated images due to lack of effective supervision. Instead, we propose an unsupervised learning method that explicitly learns invariant presentation from noisy data and reconstructs clear observations. To do so, we introduce discrete disentangling representation and adversarial domain adaption into general domain transfer framework, aided by extra self-supervised modules including background and semantic consistency constraints, learning robust representation under dual domain constraints, such as feature and image domains. Experiments on synthetic and real noise removal tasks show the proposed method achieves comparable performance with other state-of-the-art supervised and unsupervised methods, while having faster and stable convergence than other domain adaption methods.
• Abstract（参考訳）: 近年,教師なし画像復元作業にクロスドメイン転送が適用されている。 しかし、既存のフレームワークを直接適用すると、効果的な監督が欠如しているため、翻訳画像のドメインシフトの問題に繋がる。 代わりに,ノイズデータから不変表現を明示的に学習し,明確な観察を再構築する教師なし学習手法を提案する。 そこで本稿では,背景整合性制約や意味的整合性制約,特徴領域や画像領域などの二重領域制約下での頑健な表現の学習など,自己教師付きモジュールが支援する汎用ドメイン転送フレームワークに,離散的不整合表現と対向ドメイン適応を導入する。 合成および実ノイズ除去タスクの実験により,提案手法は他の領域適応法よりも高速で安定な収束性を持ちながら,最先端の教師なしおよび教師なし法と同等の性能が得られることを示した。

関連論文リスト

• Denoising as Adaptation: Noise-Space Domain Adaptation for Image Restoration [64.84134880709625]
  拡散モデルを用いて,雑音空間を介して領域適応を行うことが可能であることを示す。 特に、補助的な条件入力が多段階の復調過程にどのように影響するかというユニークな性質を活用することにより、有意義な拡散損失を導出する。 拡散モデルにおけるチャネルシャッフル層や残留スワッピング型コントラスト学習などの重要な戦略を提案する。
  論文  参考訳（メタデータ） (2024-06-26T17:40:30Z)
• WIDIn: Wording Image for Domain-Invariant Representation in Single-Source Domain Generalization [63.98650220772378]
  We present WIDIn, Wording Images for Domain-Invariant representation, to disentangleative discriminative visual representation。 まず、ドメイン固有の言語を適応的に識別し、削除するために使用可能な、きめ細かいアライメントを組み込んだ言語を推定する。 WIDInは、CLIPのような事前訓練された視覚言語モデルと、MoCoやBERTのような個別訓練されたユニモーダルモデルの両方に適用可能であることを示す。
  論文  参考訳（メタデータ） (2024-05-28T17:46:27Z)
• Uni-Removal: A Semi-Supervised Framework for Simultaneously Addressing Multiple Degradations in Real-World Images [6.3351090376024155]
  Uni-Removalは、現実世界の画像における複数の劣化を取り除くための2段階の半教師付きフレームワークである。 知識伝達の段階では、Uni-Removalは教師付きマルチ教師と学生アーキテクチャを利用する。 ドメイン適応段階では、現実世界の画像に敵判別器を組み込むことにより、教師なしの微調整を行う。
  論文  参考訳（メタデータ） (2023-07-11T07:18:15Z)
• Unsupervised Domain Adaptation for Semantic Segmentation using One-shot Image-to-Image Translation via Latent Representation Mixing [9.118706387430883]
  超高解像度画像のセマンティックセグメンテーションのための新しい教師なし領域適応法を提案する。 潜在コンテンツ表現をドメイン間で混合するエンコーダ・デコーダの原理に基づいて,画像から画像への変換パラダイムを提案する。 都市間比較実験により,提案手法は最先端領域適応法より優れていることが示された。
  論文  参考訳（メタデータ） (2022-12-07T18:16:17Z)
• Feature Representation Learning for Unsupervised Cross-domain Image Retrieval [73.3152060987961]
  現在の教師付きクロスドメイン画像検索法は優れた性能が得られる。 データ収集とラベリングのコストは、実際のアプリケーションにおける実践的なデプロイにおいて、難易度の高い障壁を課します。 本稿では,クラス意味認識機能抽出を支援するために,クラスタ単位のコントラスト学習機構を提案する。
  論文  参考訳（メタデータ） (2022-07-20T07:52:14Z)
• Scale Invariant Domain Generalization Image Recapture Detection [3.210092699356333]
  これらの課題に対処するために、スケールアライメントドメイン一般化フレームワーク(SADG)を提案する。 まず、画像表現分布の相違を最小限に抑えるために、対向領域判別器を利用する。 最後に、大域的な関係正規化としてスケールアライメント損失を導入し、異なるスケールで同じクラスのイメージ表現を区別不能にする。
  論文  参考訳（メタデータ） (2021-10-07T14:32:56Z)
• AFAN: Augmented Feature Alignment Network for Cross-Domain Object Detection [90.18752912204778]
  オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。 本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。 提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2021-06-10T05:01:20Z)
• Towards Unsupervised Sketch-based Image Retrieval [126.77787336692802]
  本稿では,教師なし表現学習とスケッチ写真領域アライメントを同時に行う新しいフレームワークを提案する。 このフレームワークは,新しい教師なし設定では優れた性能を達成し,ゼロショット設定では最先端以上の性能を発揮する。
  論文  参考訳（メタデータ） (2021-05-18T02:38:22Z)
• CrDoCo: Pixel-level Domain Transfer with Cross-Domain Consistency [119.45667331836583]
  教師なしのドメイン適応アルゴリズムは、あるドメインから学んだ知識を別のドメインに転送することを目的としている。 本稿では,新しい画素単位の対向領域適応アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-01-09T19:00:35Z)

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。