論文の概要: Subsampled Fourier Ptychography using Pretrained Invertible and
Untrained Network Priors
- arxiv url: http://arxiv.org/abs/2005.07026v1
- Date: Wed, 13 May 2020 16:13:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-03 12:57:36.862328
- Title: Subsampled Fourier Ptychography using Pretrained Invertible and
Untrained Network Priors
- Title(参考訳): 予めトレーニングした非可逆・非訓練ネットワークを用いたサブスタンプフーリエ断層撮影
- Authors: Fahad Shamshad, Asif Hanif, Ali Ahmed
- Abstract要約: 本稿では,事前学習した非可逆・非学習生成モデルのパワーを活用し,多数のサンプル画像の表現誤り問題と要求を軽減することを提案する。
- 参考スコア(独自算出の注目度): 7.522174648209359
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently pretrained generative models have shown promising results for
subsampled Fourier Ptychography (FP) in terms of quality of reconstruction for
extremely low sampling rate and high noise. However, one of the significant
drawbacks of these pretrained generative priors is their limited representation
capabilities. Moreover, training these generative models requires access to a
large number of fully-observed clean samples of a particular class of images
like faces or digits that is prohibitive to obtain in the context of FP. In
this paper, we propose to leverage the power of pretrained invertible and
untrained generative models to mitigate the representation error issue and
requirement of a large number of example images (for training generative
models) respectively. Through extensive experiments, we demonstrate the
effectiveness of proposed approaches in the context of FP for low sampling
rates and high noise levels.
- Abstract(参考訳): 近年, サブサンプリングされたフーリエ・プチコグラフィー(FP)は, 極めて低サンプリング率と高ノイズの再現性において有望な結果を示した。
しかし、これらの事前訓練された生成前の大きな欠点の1つは、その限定的な表現能力である。
さらに、これらの生成モデルをトレーニングするには、FPの文脈で取得できない顔や数字のような特定の種類の画像の、多数の完全に保存されたクリーンなサンプルにアクセスする必要がある。
本稿では,事前学習した非可逆生成モデルと未学習生成モデルのパワーを利用して,多数のサンプル画像(生成モデルの訓練用)の表現誤り問題と要求を緩和する。
広範にわたる実験を通して, 低サンプリング率と高雑音レベルに対するFPの文脈における提案手法の有効性を示す。
関連論文リスト
- Active Generation for Image Classification [50.18107721267218]
本稿では,モデルのニーズと特徴に着目し,画像生成の効率性に対処することを提案する。
能動学習の中心的傾向として,ActGenという手法が,画像生成のトレーニング・アウェア・アプローチを取り入れている。
論文 参考訳(メタデータ) (2024-03-11T08:45:31Z) - Fine Structure-Aware Sampling: A New Sampling Training Scheme for
Pixel-Aligned Implicit Models in Single-View Human Reconstruction [105.46091601932524]
本研究では,単一視点の人物再構成のための暗黙的画素アライメントモデルをトレーニングするために,FSS(Final Structured-Aware Sampling)を導入する。
FSSは表面の厚さと複雑さに積極的に適応する。
また、画素アライメント型暗黙的モデルのためのメッシュ厚み損失信号を提案する。
論文 参考訳(メタデータ) (2024-02-29T14:26:46Z) - PPFM: Image denoising in photon-counting CT using single-step posterior
sampling Poisson flow generative models [3.7080630916211152]
低用量および光子計数CTのための新しい画像デノナイズ技術であるPPFM(Postor sample Poisson Flow Generative Model)を提案する。
その結果、拡散モデルと比較してPFGM++フレームワークの利点が明らかになった。
論文 参考訳(メタデータ) (2023-12-15T12:49:08Z) - Steered Diffusion: A Generalized Framework for Plug-and-Play Conditional
Image Synthesis [62.07413805483241]
Steered Diffusionは、無条件生成のために訓練された拡散モデルを用いたゼロショット条件画像生成のためのフレームワークである。
塗装,着色,テキスト誘導セマンティック編集,画像超解像などのタスクに対して,ステアリング拡散を用いた実験を行った。
論文 参考訳(メタデータ) (2023-09-30T02:03:22Z) - Masked Images Are Counterfactual Samples for Robust Fine-tuning [77.82348472169335]
微調整の深層学習モデルは、分布内(ID)性能と分布外(OOD)堅牢性の間のトレードオフにつながる可能性がある。
そこで本研究では,マスク付き画像を対物サンプルとして用いて,ファインチューニングモデルのロバスト性を向上させる新しいファインチューニング手法を提案する。
論文 参考訳(メタデータ) (2023-03-06T11:51:28Z) - FewGAN: Generating from the Joint Distribution of a Few Images [95.6635227371479]
本稿では,新しい,高品質で多様な画像を生成するための生成モデルFewGANを紹介する。
FewGANは、第1の粗いスケールで量子化を適用した階層的なパッチGANであり、その後、より微細なスケールで残った完全畳み込みGANのピラミッドが続く。
大規模な実験では、FewGANは定量的にも定性的にも基線より優れていることが示されている。
論文 参考訳(メタデータ) (2022-07-18T07:11:28Z) - Conditional Variational Autoencoder for Learned Image Reconstruction [5.487951901731039]
本研究では,未知画像の後部分布を問合せ観測で近似する新しいフレームワークを開発する。
暗黙のノイズモデルと先行処理を処理し、データ生成プロセス(フォワード演算子)を組み込み、学習された再構成特性は異なるデータセット間で転送可能である。
論文 参考訳(メタデータ) (2021-10-22T10:02:48Z) - Learning by example: fast reliability-aware seismic imaging with
normalizing flows [0.76146285961466]
本研究では, 近隣調査から得られた地震データから, 後方分布を安価にサンプリングできる正規化流(NF)を訓練する。
これらのサンプルを用いて,画像の信頼性に関する最初の評価を含む高忠実度画像の計算を行う。
論文 参考訳(メタデータ) (2021-04-13T15:13:45Z) - Generative Zero-shot Network Quantization [41.75769117366117]
畳み込みニューラルネットワークは、低レベルの画像生成と復元における多数のトレーニングサンプルから現実的な画像優先度を学習することができる。
また,高レベル画像認識タスクでは,本質的バッチ正規化(bn)統計をトレーニングデータなしで活用することにより,各カテゴリの「現実的」画像をさらに再構築できることを示す。
論文 参考訳(メタデータ) (2021-01-21T04:10:04Z) - Salvage Reusable Samples from Noisy Data for Robust Learning [70.48919625304]
本稿では,Web画像を用いた深部FGモデルのトレーニングにおいて,ラベルノイズに対処するための再利用可能なサンプル選択と修正手法を提案する。
私たちのキーとなるアイデアは、再利用可能なサンプルの追加と修正を行い、それらをクリーンな例とともに活用してネットワークを更新することです。
論文 参考訳(メタデータ) (2020-08-06T02:07:21Z) - Instance Selection for GANs [25.196177369030146]
GAN(Generative Adversarial Networks)は、高品質な合成画像を生成するために広く採用されている。
GANはしばしばデータ多様体の外にある非現実的なサンプルを生成する。
本稿では,サンプルの品質向上のための新しいアプローチを提案する。モデルトレーニングが行われる前に,インスタンス選択によるトレーニングデータセットの変更を行う。
論文 参考訳(メタデータ) (2020-07-30T06:33:51Z)
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。