論文の概要: Deep Learning Techniques for Inverse Problems in Imaging
- arxiv url: http://arxiv.org/abs/2005.06001v1
- Date: Tue, 12 May 2020 18:35:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-03 18:41:40.439328
- Title: Deep Learning Techniques for Inverse Problems in Imaging
- Title（参考訳）: 画像の逆問題に対するディープラーニング技術
- Authors: Gregory Ongie, Ajil Jalal, Christopher A. Metzler, Richard G.
Baraniuk, Alexandros G. Dimakis, Rebecca Willett
- Abstract要約: 機械学習における最近の研究は、ディープニューラルネットワークが様々な逆問題の解決に利用できることを示している。
異なる問題や再構築方法の分類に使用できる分類法を提案する。
- 参考スコア（独自算出の注目度）: 102.30524824234264
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent work in machine learning shows that deep neural networks can be used
to solve a wide variety of inverse problems arising in computational imaging.
We explore the central prevailing themes of this emerging area and present a
taxonomy that can be used to categorize different problems and reconstruction
methods. Our taxonomy is organized along two central axes: (1) whether or not a
forward model is known and to what extent it is used in training and testing,
and (2) whether or not the learning is supervised or unsupervised, i.e.,
whether or not the training relies on access to matched ground truth image and
measurement pairs. We also discuss the trade-offs associated with these
different reconstruction approaches, caveats and common failure modes, plus
open problems and avenues for future work.
- Abstract（参考訳）: 機械学習における最近の研究は、ディープニューラルネットワークが計算イメージングで生じる様々な逆問題を解くのに利用できることを示している。
我々は,この新興地域の中心的なテーマを探究し,様々な問題や再構築法を分類できる分類法を提案する。
本分類は,(1)フォワードモデルが知られているか否か,(2)トレーニングやテストにどの程度使われているか,(2)学習が監督されているか,または教師なしか,すなわち,訓練がマッチングされた地上真理画像と測定ペアへのアクセスに依存しているか,という2つの中心軸に沿って構成されている。
また,これらのレコンストラクションアプローチや注意事項,一般的な障害モード,さらには今後の作業のためのオープンな問題や道について論じる。
関連論文リスト
- Detecting Moving Objects With Machine Learning [0.0]
本章では、天体画像中の移動物体を見つけるための機械学習技術の使用について概説する。
オーバーフィッティング(overfitting)の重要な問題についての議論を含む、機械学習技術の使用に関するさまざまな落とし穴について論じる。
論文 参考訳（メタデータ） (2024-05-10T00:13:39Z) - Unsupervised approaches based on optimal transport and convex analysis
for inverse problems in imaging [6.202226277935329]
本稿では,画像逆問題の解法として理論的に原理化された教師なし学習手法について検討する。
最適な輸送と凸解析に根ざした手法に着目する。
本稿では,確率収束型学習最適化アルゴリズムに関する最近の研究の概要について述べる。
論文 参考訳（メタデータ） (2023-11-15T14:04:37Z) - A Survey on Transferability of Adversarial Examples across Deep Neural Networks [53.04734042366312]
逆の例では、機械学習モデルを操作して誤った予測を行うことができます。
敵の例の転送可能性により、ターゲットモデルの詳細な知識を回避できるブラックボックス攻撃が可能となる。
本研究は, 対角移動可能性の展望を考察した。
論文 参考訳（メタデータ） (2023-10-26T17:45:26Z) - Training Adaptive Reconstruction Networks for Blind Inverse Problems [0.0]
本研究では,ネットワークをフォワード演算子のファミリーでトレーニングすることで,再構成品質を著しく向上させることなく適応性問題を解くことができることを示す。
実験には、感度推定とオフ共鳴効果を備えたMRI(MRI)による部分フーリエサンプリング問題、傾斜した形状のコンピュータ断層撮影(CT)、フレネル回折核による画像劣化などが含まれる。
論文 参考訳（メタデータ） (2022-02-23T07:56:02Z) - Continual learning in cross-modal retrieval [47.73014647702813]
新しいタスクによる干渉が埋め込み空間に与える影響と、効果的な検索に必要な相互モーダルアライメントについて検討する。
トレーニング、インデクシング、クエリの段階を分離する一般的なフレームワークを提案します。
また、忘れてしまう可能性のあるさまざまな要因を特定し、研究し、緩和するためのツールを提案します。
論文 参考訳（メタデータ） (2021-04-14T12:13:39Z) - A Survey on Deep Semi-supervised Learning [51.26862262550445]
まず,既存の手法を分類した深層半指導学習の分類法を提案する。
次に、損失の種類、貢献度、アーキテクチャの違いの観点から、これらのメソッドを詳細に比較します。
論文 参考訳（メタデータ） (2021-02-28T16:22:58Z) - A Survey of Community Detection Approaches: From Statistical Modeling to
Deep Learning [95.27249880156256]
ネットワークコミュニティファイリング手法の統一アーキテクチャを開発し,提案する。
既存の手法を確率的グラフィカルモデルとディープラーニングという2つのカテゴリに分けた新しい分類法を提案する。
フィールドの課題の議論と今後の研究の方向性の提案を締めくくります。
論文 参考訳（メタデータ） (2021-01-03T02:32:45Z) - Knowledge as Invariance -- History and Perspectives of
Knowledge-augmented Machine Learning [69.99522650448213]
機械学習の研究は転換点にある。
研究の関心は、高度にパラメータ化されたモデルのパフォーマンス向上から、非常に具体的なタスクへとシフトしている。
このホワイトペーパーは、機械学習研究におけるこの新興分野の紹介と議論を提供する。
論文 参考訳（メタデータ） (2020-12-21T15:07:19Z) - Deep Learning-Based Solvability of Underdetermined Inverse Problems in
Medical Imaging [3.2214522506924093]
本研究は,ディープラーニングに適したトレーニングデータの構造に関する因果関係を学習し,高度に過小評価された逆問題を解決することに焦点を当てた。
医用画像における未決定線形システムの解法のほとんどは非線形である。
さらに、トレーニングデータから所望の再構成マップを学習可能かどうか、および過小判定システムから分析する。
論文 参考訳（メタデータ） (2020-01-06T07:52:37Z)
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。