論文の概要: Structured and Localized Image Restoration
- arxiv url: http://arxiv.org/abs/2006.09261v1
- Date: Tue, 16 Jun 2020 15:43:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-20 18:52:01.509028
- Title: Structured and Localized Image Restoration
- Title(参考訳): 構造化・局所化画像復元
- Authors: Thomas Eboli, Alex Nowak-Vila, Jian Sun, Francis Bach, Jean Ponce,
Alessandro Rudi
- Abstract要約: 本稿では,局所的構造予測と非線形マルチタスク学習のアイデアを活用した画像復元手法を提案する。
平均二乗およびユークリッド標準誤差に基づいて対応するエネルギーのアルゴリズムを導出する。
- 参考スコア(独自算出の注目度): 141.75042935077465
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a novel approach to image restoration that leverages ideas from
localized structured prediction and non-linear multi-task learning. We optimize
a penalized energy function regularized by a sum of terms measuring the
distance between patches to be restored and clean patches from an external
database gathered beforehand. The resulting estimator comes with strong
statistical guarantees leveraging local dependency properties of overlapping
patches. We derive the corresponding algorithms for energies based on the
mean-squared and Euclidean norm errors. Finally, we demonstrate the practical
effectiveness of our model on different image restoration problems using
standard benchmarks.
- Abstract(参考訳): 本稿では,局所構造予測と非線形マルチタスク学習のアイデアを活用した画像復元手法を提案する。
我々は,事前に収集した外部データベースから復元すべきパッチとクリーンパッチの間の距離を計測する用語の和で正規化したペナリゼーションエネルギー関数を最適化する。
得られた推定器は、重複するパッチの局所的な依存性特性を活用する強力な統計的保証を備える。
平均二乗およびユークリッド標準誤差に基づいて対応するエネルギーのアルゴリズムを導出する。
最後に, 標準ベンチマークを用いて, 異なる画像復元問題に対するモデルの実効性を示す。
関連論文リスト
- Optimal Baseline Corrections for Off-Policy Contextual Bandits [61.740094604552475]
オンライン報酬指標の偏りのないオフライン推定を最適化する意思決定ポリシーを学習することを目指している。
学習シナリオにおける同値性に基づく単一のフレームワークを提案する。
我々のフレームワークは、分散最適非バイアス推定器の特徴付けを可能にし、それに対する閉形式解を提供する。
論文 参考訳(メタデータ) (2024-05-09T12:52:22Z) - Deblurring via Stochastic Refinement [85.42730934561101]
条件付き拡散モデルに基づくブラインドデブロアリングのための代替フレームワークを提案する。
提案手法は,PSNRなどの歪み指標の点で競合する。
論文 参考訳(メタデータ) (2021-12-05T04:36:09Z) - 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) - End-to-end reconstruction meets data-driven regularization for inverse
problems [2.800608984818919]
本稿では,不適切な逆問題に対するエンド・ツー・エンドの再構成演算子を学習するための教師なしアプローチを提案する。
提案手法は,古典的変分フレームワークと反復的アンローリングを組み合わせたものである。
我々は,X線CT(Computerd tomography)の例で,最先端の教師なし手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-06-07T12:05:06Z) - Perceptual Image Restoration with High-Quality Priori and Degradation
Learning [28.93489249639681]
本モデルは,復元画像と劣化画像の類似度を測定するのに有効であることを示す。
同時修復・拡張フレームワークは,実世界の複雑な分解型によく一般化する。
論文 参考訳(メタデータ) (2021-03-04T13:19:50Z) - Learning local regularization for variational image restoration [3.5557219875516655]
本稿では,一般的な画像復元問題を解決するための局所正規化モデルを学習するためのフレームワークを提案する。
この正規化器は完全な畳み込みニューラルネットワークで定義され、小さな画像パッチに対応する受容野を通して画像を見る。
正規化器は、ワッサーシュタイン生成逆数ネットワークに基づくエネルギーを用いて、クリーンパッチと劣化パッチの未ペア分布を批判するものとして学習される。
論文 参考訳(メタデータ) (2021-02-11T17:55:08Z) - Shared Prior Learning of Energy-Based Models for Image Reconstruction [69.72364451042922]
本研究では,地中真理データを含まないトレーニングに特化して設計された画像再構成のための新しい学習ベースフレームワークを提案する。
基底真理データがない場合には、損失関数をパッチベースのワッサーシュタイン関数に変更する。
共用事前学習では、上記の最適制御問題と正規化器の共用学習パラメータを同時に最適化する。
論文 参考訳(メタデータ) (2020-11-12T17:56:05Z) - Unsupervised Metric Relocalization Using Transform Consistency Loss [66.19479868638925]
メートル法再ローカライズを行うためのトレーニングネットワークは、従来、正確な画像対応が必要である。
地図内のクエリ画像のローカライズは、登録に使用される参照画像に関係なく、同じ絶対的なポーズを与えるべきである。
提案手法は, 限られた地下構造情報が得られる場合に, 他の教師あり手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2020-11-01T19:24:27Z) - Image Fine-grained Inpainting [89.17316318927621]
拡張畳み込みの密結合を利用してより大きく効果的な受容場を得る一段階モデルを提案する。
この効率的なジェネレータをよく訓練するために、頻繁に使用されるVGG特徴整合損失を除いて、新しい自己誘導回帰損失を設計する。
また、局所的・グローバルな分枝を持つ識別器を用いて、局所的・グローバルな内容の整合性を確保する。
論文 参考訳(メタデータ) (2020-02-07T03:45:25Z)
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。