Fugu-MT 論文翻訳(概要): Neural Differential Equations for Single Image Super-resolution

論文の概要: Neural Differential Equations for Single Image Super-resolution

arxiv url: http://arxiv.org/abs/2005.00865v1
Date: Sat, 2 May 2020 15:46:45 GMT
ステータス: 処理完了
システム内更新日: 2022-12-07 12:17:39.056482
Title: Neural Differential Equations for Single Image Super-resolution
Title（参考訳）: 単一画像超解像に対するニューラル微分方程式
Authors: Teven Le Scao
Abstract要約: 単一画像の超解像上で,ニューラルDsとバックプロパゲーション手法のいくつかの形態をベンチマークする。我々の実験では、微分モデルは最先端の超解像モデルの性能と一致する。
参考スコア（独自算出の注目度）: 11.63817929861819
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Although Neural Differential Equations have shown promise on toy problems such as MNIST, they have yet to be successfully applied to more challenging tasks. Inspired by variational methods for image restoration relying on partial differential equations, we choose to benchmark several forms of Neural DEs and backpropagation methods on single image super-resolution. The adjoint method previously proposed for gradient estimation has no theoretical stability guarantees; we find a practical case where this makes it unusable, and show that discrete sensitivity analysis has better stability. In our experiments, differential models match the performance of a state-of-the art super-resolution model.
Abstract（参考訳）: ニューラル微分方程式は、MNISTのようなおもちゃの問題に対して有望であるが、より困難なタスクにはまだ適用されていない。偏微分方程式に基づく画像復元のための変分法に着想を得て, 複数種類のニューラルDESとバックプロパゲーション法を1枚の超解像上でベンチマークする。従来提案した勾配推定の随伴法では理論的安定性は保証されていないが, 離散感度解析による安定性の向上が期待できる。我々の実験では、差分モデルは最先端の超解像モデルの性能に匹敵する。

関連論文リスト

Estimating unknown parameters in differential equations with a reinforcement learning based PSO method [2.9808905403445145]
本稿では,粒子の概念を導入することにより,微分方程式のパラメータ推定問題を最適化問題として再検討する。本稿では、強化学習に基づく粒子群最適化(RLLPSO)に基づいて、微分方程式の未知パラメータを推定する新しい手法DERLPSOを提案する。実験の結果,DERLPSOは平均1.13e-05の誤差を達成し,他の手法よりも高い性能を示した。
論文参考訳（メタデータ） (2024-11-13T14:40:51Z)
Predicting Ordinary Differential Equations with Transformers [65.07437364102931]
単一溶液軌道の不規則サンプリングおよび雑音観測から,スカラー常微分方程式(ODE)を記号形式で復元するトランスフォーマーに基づくシーケンス・ツー・シーケンス・モデルを開発した。提案手法は, 1回に一度, ODE の大規模な事前訓練を行った後, モデルのいくつかの前方通過において, 新たな観測解の法則を推測することができる。
論文参考訳（メタデータ） (2023-07-24T08:46:12Z)
An Optimization-based Deep Equilibrium Model for Hyperspectral Image Deconvolution with Convergence Guarantees [71.57324258813675]
本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
論文参考訳（メタデータ） (2023-06-10T08:25:16Z)
A Variational Perspective on Solving Inverse Problems with Diffusion Models [101.831766524264]
逆タスクは、データ上の後続分布を推測するものとして定式化することができる。しかし、拡散過程の非線形的かつ反復的な性質が後部を引き付けるため、拡散モデルではこれは困難である。そこで我々は,真の後続分布を近似する設計手法を提案する。
論文参考訳（メタデータ） (2023-05-07T23:00:47Z)
Image Restoration with Mean-Reverting Stochastic Differential Equations [9.245782611878752]
本稿では,汎用画像復元のための微分方程式(SDE)を提案する。対応する逆時間SDEをシミュレートすることにより、低画質画像の起源を復元することができる。実験の結果,提案手法は画像の劣化, 劣化, 騒音の定量的比較において, 高い競争性能を示すことがわかった。
論文参考訳（メタデータ） (2023-01-27T13:20:48Z)
Face Super-Resolution Using Stochastic Differential Equations [1.724088622269304]
連続時間への拡散モデルを一般化するために微分方程式(SDE)を導入する。このようなアプリケーションにSDEが使われるのはこれが初めてです。一般的な顔特徴抽出器を用いて、超解像度画像と地上の真実を比較する。
論文参考訳（メタデータ） (2022-09-24T18:26:06Z)
Last-Iterate Convergence of Saddle-Point Optimizers via High-Resolution Differential Equations [83.3201889218775]
広く使われている1次サドル点最適化法は、帰納的導出時に同一の連続時間常微分方程式(ODE)を導出する。しかし、これらの方法の収束特性は、単純な双線型ゲームでさえ質的に異なる。いくつかのサドル点最適化法のための微分方程式モデルの設計に流体力学の研究フレームワークを採用する。
論文参考訳（メタデータ） (2021-12-27T18:31:34Z)
Deep Variational Network Toward Blind Image Restoration [60.45350399661175]
ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
論文参考訳（メタデータ） (2020-08-25T03:30:53Z)
Stochasticity in Neural ODEs: An Empirical Study [68.8204255655161]
ニューラルネットワークの正規化(ドロップアウトなど)は、より高度な一般化を可能にするディープラーニングの広範な技術である。トレーニング中のデータ拡張は、同じモデルの決定論的およびバージョンの両方のパフォーマンスを向上させることを示す。しかし、データ拡張によって得られる改善により、経験的正規化の利得は完全に排除され、ニューラルODEとニューラルSDEの性能は無視される。
論文参考訳（メタデータ） (2020-02-22T22:12:56Z)

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。