論文の概要: When to Use Convolutional Neural Networks for Inverse Problems

• arxiv url: http://arxiv.org/abs/2003.13820v1
• Date: Mon, 30 Mar 2020 21:08:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-18 08:13:11.768815
• Title: When to Use Convolutional Neural Networks for Inverse Problems
• Title（参考訳）: 逆問題に畳み込みニューラルネットワークを使うには
• Authors: Nathaniel Chodosh, Simon Lucey
• Abstract要約: 本稿では,畳み込みニューラルネットワークを,畳み込みスパース符号問題に対する近似解とみなすことができることを示す。 ある種の逆問題に対して、CNN近似は性能の低下につながると論じる。 具体的には、JPEGアーチファクトの低減と非剛性軌道再構成をCNNの逆問題として同定する。
• 参考スコア（独自算出の注目度）: 40.60063929073102
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reconstruction tasks in computer vision aim fundamentally to recover an undetermined signal from a set of noisy measurements. Examples include super-resolution, image denoising, and non-rigid structure from motion, all of which have seen recent advancements through deep learning. However, earlier work made extensive use of sparse signal reconstruction frameworks (e.g convolutional sparse coding). While this work was ultimately surpassed by deep learning, it rested on a much more developed theoretical framework. Recent work by Papyan et. al provides a bridge between the two approaches by showing how a convolutional neural network (CNN) can be viewed as an approximate solution to a convolutional sparse coding (CSC) problem. In this work we argue that for some types of inverse problems the CNN approximation breaks down leading to poor performance. We argue that for these types of problems the CSC approach should be used instead and validate this argument with empirical evidence. Specifically we identify JPEG artifact reduction and non-rigid trajectory reconstruction as challenging inverse problems for CNNs and demonstrate state of the art performance on them using a CSC method. Furthermore, we offer some practical improvements to this model and its application, and also show how insights from the CSC model can be used to make CNNs effective in tasks where their naive application fails.
• Abstract（参考訳）: コンピュータビジョンにおける再構成作業は、無決定信号を一連のノイズ測定から回復することを目的としている。 例えば、超解像、画像のデノイング、動きからの非剛体構造などがあり、これらは全て近年のディープラーニングによる進歩である。 しかし、初期の研究はスパース信号再構成フレームワーク(例えば畳み込みスパース符号)を広範囲に利用した。 この研究は最終的に深層学習に勝ったが、より発達した理論の枠組みを踏襲した。 papyanらによる最近の研究 alは、畳み込みニューラルネットワーク(CNN)が、畳み込みスパース符号化(CSC)問題の近似解であることを示すことによって、2つのアプローチの橋渡しを提供する。 この研究では、ある種の逆問題に対して、CNN近似は性能の低下につながると論じている。 このような問題に対して、CSCアプローチは代わりに使用すべきであり、実証的な証拠でこの議論を検証すべきである。 具体的には, CNNの逆問題としてJPEGアーチファクトの低減と非剛性軌道再構成を同定し, CSC法を用いて, それらに対するアートパフォーマンスの状態を実証する。 さらに,本モデルとその応用に実践的な改善を加え,本モデルから得られた洞察を,CNNの本質的なアプリケーションが失敗するタスクにおいて効果的に活用できることを示す。

関連論文リスト

• Distance Weighted Trans Network for Image Completion [52.318730994423106]
  本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
  論文  参考訳（メタデータ） (2023-10-11T12:46:11Z)
• Transferability of Convolutional Neural Networks in Stationary Learning Tasks [96.00428692404354]
  本稿では,大規模な空間問題に対する畳み込みニューラルネットワーク(CNN)の効率的なトレーニングのための新しいフレームワークを提案する。 このような信号の小さなウィンドウで訓練されたCNNは、再学習することなく、はるかに大きなウィンドウでほぼ性能を発揮することを示す。 以上の結果から,CNNは10人未満の訓練を受けた後,数百人のエージェントによる問題に対処できることが示唆された。
  論文  参考訳（メタデータ） (2023-07-21T13:51:45Z)
• Solving Large-scale Spatial Problems with Convolutional Neural Networks [88.31876586547848]
  大規模空間問題に対する学習効率を向上させるために移動学習を用いる。 畳み込みニューラルネットワーク (CNN) は, 信号の小さな窓で訓練できるが, 性能劣化の少ない任意の大信号で評価できる。
  論文  参考訳（メタデータ） (2023-06-14T01:24:42Z)
• FrequencyLowCut Pooling -- Plug & Play against Catastrophic Overfitting [12.062691258844628]
  本稿では,任意のCNNアーキテクチャに簡単に接続可能な,自由なダウンサンプリング操作を提案する。 実験の結果,単純かつ高速なFGSM逆行訓練と組み合わせることで,超パラメータフリー演算子がモデルロバスト性を大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2022-04-01T14:51:28Z)
• 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)
• An End-To-End-Trainable Iterative Network Architecture for Accelerated Radial Multi-Coil 2D Cine MR Image Reconstruction [4.233498905999929]
  我々は,複数のレシーバコイルを用いた加速2次元放射状シネMRIの画像再構成のためのCNNアーキテクチャを提案する。 提案手法を学習的・非学習的正規化手法と比較し,提案手法を他のよく知られた再構築手法と比較する。
  論文  参考訳（メタデータ） (2021-02-01T11:42:04Z)
• Spatio-Temporal Inception Graph Convolutional Networks for Skeleton-Based Action Recognition [126.51241919472356]
  我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。 ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
  論文  参考訳（メタデータ） (2020-11-26T14:43:04Z)
• Learning Multiscale Convolutional Dictionaries for Image Reconstruction [28.27195303823472]
  畳み込みニューラルネットワーク(CNN)は、画像逆問題の解決に非常に成功した。 既存の畳み込みスパース符号化(CSC)モデルは、競合する逆問題において主要なCNNの性能を損なう。 性能ギャップを埋めるために,複数スケールの畳み込み辞書構造を提案する。 提案するマルチスケール辞書を標準のCSCフレームワークに組み込むことで,最先端のCNNと競合する性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-11-25T15:18:00Z)
• On the unreasonable effectiveness of CNNs [7.673853485227739]
  畳み込みニューラルネットワーク(CNN)を用いた深層学習法は、事実上全ての画像問題に適用されている。 画像と画像の問題を解決するためのベースラインCNNの能力に上限を付けるために、我々は広く使われている標準オフザシェルフネットワークアーキテクチャ(U-Net)をノイズデータからXOR復号化の「逆問題」に適用し、許容可能な結果を示した。
  論文  参考訳（メタデータ） (2020-07-29T11:16:20Z)

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。