論文の概要: The Power of Triply Complementary Priors for Image Compressive Sensing

• arxiv url: http://arxiv.org/abs/2005.07902v1
• Date: Sat, 16 May 2020 08:17:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-02 13:51:22.215219
• Title: The Power of Triply Complementary Priors for Image Compressive Sensing
• Title（参考訳）: 画像圧縮センシングにおけるトリプリ補完プライオリティの力
• Authors: Zhiyuan Zha, Xin Yuan, Joey Tianyi Zhou, Jiantao Zhou, Bihan Wen and Ce Zhu
• Abstract要約: 本稿では,一対の相補的な旅先を含むLRD画像モデルを提案する。 次に、画像CSのためのRDモデルに基づく新しいハイブリッド・プラグイン・アンド・プレイ・フレームワークを提案する。 そこで,提案したH-based image CS問題の解法として,単純で効果的なアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 89.14144796591685
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent works that utilized deep models have achieved superior results in various image restoration applications. Such approach is typically supervised which requires a corpus of training images with distribution similar to the images to be recovered. On the other hand, the shallow methods which are usually unsupervised remain promising performance in many inverse problems, \eg, image compressive sensing (CS), as they can effectively leverage non-local self-similarity priors of natural images. However, most of such methods are patch-based leading to the restored images with various ringing artifacts due to naive patch aggregation. Using either approach alone usually limits performance and generalizability in image restoration tasks. In this paper, we propose a joint low-rank and deep (LRD) image model, which contains a pair of triply complementary priors, namely \textit{external} and \textit{internal}, \textit{deep} and \textit{shallow}, and \textit{local} and \textit{non-local} priors. We then propose a novel hybrid plug-and-play (H-PnP) framework based on the LRD model for image CS. To make the optimization tractable, a simple yet effective algorithm is proposed to solve the proposed H-PnP based image CS problem. Extensive experimental results demonstrate that the proposed H-PnP algorithm significantly outperforms the state-of-the-art techniques for image CS recovery such as SCSNet and WNNM.
• Abstract（参考訳）: 深層モデルを用いた最近の研究は、様々な画像復元アプリケーションにおいて優れた結果をもたらしている。 このようなアプローチは、通常、回復する画像と同様の分布を持つトレーニングイメージのコーパスを必要とする監督される。 一方, 自然画像の非局所的な自己相似性を効果的に活用できるため, 多くの逆問題, 画像圧縮センシング(CS)において, 教師なしの浅い手法は有望な性能を保っている。 しかし、そのような手法のほとんどはパッチベースであり、単純パッチアグリゲーションにより様々なリングアーティファクトを持つ復元された画像につながる。 どちらのアプローチも通常、画像復元タスクのパフォーマンスと一般化性を制限する。 本稿では,3つの相補的前置詞,すなわち \textit{external} と \textit{internal} , \textit{deep} と \textit{shallow} と \textit{local} と \textit{non-local} のペアを含む結合型低ランク・深部画像モデルを提案する。 次に、画像CSのためのRDモデルに基づく新しいハイブリッドプラグアンドプレイ(H-PnP)フレームワークを提案する。 そこで,提案したH-PnPに基づく画像CS問題の解法として,単純で効果的なアルゴリズムを提案する。 H-PnPアルゴリズムはCSNetやWNNMのような画像CS回復のための最先端技術よりも優れていることを示す。

関連論文リスト

• Chasing Better Deep Image Priors between Over- and Under-parameterization [63.8954152220162]
  そこで本研究では,DNN固有の空間性を利用して,LIP(lottery image prior)を新たに検討する。 LIPworksは、コンパクトなモデルサイズでディープデコーダを著しく上回っている。 また、LIPを圧縮センシング画像再構成に拡張し、事前学習したGANジェネレータを前者として使用する。
  論文  参考訳（メタデータ） (2024-10-31T17:49:44Z)
• Plug-and-Play image restoration with Stochastic deNOising REgularization [8.678250057211368]
  SNORE(Denoising Regularization)と呼ばれる新しいフレームワークを提案する。 SNOREは、適切なレベルのノイズのある画像のみにデノイザを適用する。 これは明示的な正則化に基づいており、逆問題を解決するための降下につながる。
  論文  参考訳（メタデータ） (2024-02-01T18:05:47Z)
• Hierarchical Similarity Learning for Aliasing Suppression Image Super-Resolution [64.15915577164894]
  エイリアスの影響を抑制するために階層画像超解像ネットワーク(HSRNet)を提案する。 HSRNetは、他の作品よりも定量的かつ視覚的なパフォーマンスを向上し、エイリアスをより効果的に再送信する。
  論文  参考訳（メタデータ） (2022-06-07T14:55:32Z)
• Bayesian Image Super-Resolution with Deep Modeling of Image Statistics [18.55701190218365]
  本稿では,自然画像統計をスムーズさと空間性の組み合わせでモデル化したベイズ画像復元フレームワークを提案する。 本研究では,後方推定のための変分ベイズ的手法を開発し,教師なしトレーニング戦略を提案する。 理想的なSISR, 現実的なSISR, 実世界のSISRという3つの画像復元タスクの実験により, 本手法は様々なノイズレベルや劣化カーネルに対して優れたモデル一般化性を有することを示した。
  論文  参考訳（メタデータ） (2022-03-31T20:52:59Z)
• Blind Image Deconvolution Using Variational Deep Image Prior [4.92175281564179]
  本稿では,視覚障害者のための新しい変分深度画像前処理(VDIP)を提案する。 VDIPは、潜時シャープ画像に付加的な手作り画像の先行を悪用し、各ピクセルの分布を近似して、最適以下の解を避ける。 実験により、生成された画像は、ベンチマークデータセットのオリジナルのDIPよりも品質が良いことが示された。
  論文  参考訳（メタデータ） (2022-02-01T01:33:58Z)
• Implicit Neural Representations for Image Compression [103.78615661013623]
  Inlicit Neural Representations (INRs) は、様々なデータ型の新規かつ効果的な表現として注目されている。 量子化、量子化を考慮した再学習、エントロピー符号化を含むINRに基づく最初の包括的圧縮パイプラインを提案する。 我々は、INRによるソース圧縮に対する我々のアプローチが、同様の以前の作業よりも大幅に優れていることに気付きました。
  論文  参考訳（メタデータ） (2021-12-08T13:02:53Z)
• 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)
• 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)
• A deep primal-dual proximal network for image restoration [8.797434238081372]
  我々は、プリミティブ・デュアル・イテレーションから構築されたディープPDNetというディープネットワークを設計し、前もって分析を行い、標準的なペナル化可能性の最小化を図った。 フルラーニング」と「パートラーニング」の2つの異なる学習戦略が提案され、第1は最も効率的な数値である。 以上の結果から,提案したDeepPDNetは,MNISTと,より複雑なBSD68,BSD100,SET14データセットにおいて,画像復元と単一画像超解像処理に優れた性能を示した。
  論文  参考訳（メタデータ） (2020-07-02T08:29:52Z)

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。