論文の概要: Generative Patch Priors for Practical Compressive Image Recovery

• arxiv url: http://arxiv.org/abs/2006.10873v2
• Date: Mon, 5 Oct 2020 16:51:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-19 13:24:47.581235
• Title: Generative Patch Priors for Practical Compressive Image Recovery
• Title（参考訳）: 実用的圧縮画像復元のための生成パッチプリエント
• Authors: Rushil Anirudh, Suhas Lohit, Pavan Turaga
• Abstract要約: 本稿では, 圧縮画像の復元に先立って, パッチ・マニフォールドモデルに基づく生成前の生成パッチを提案する。 極めて低感度で再現性が高いことや,より一般的に適用できることが示唆された。
• 参考スコア（独自算出の注目度）: 13.621712165154804
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we propose the generative patch prior (GPP) that defines a generative prior for compressive image recovery, based on patch-manifold models. Unlike learned, image-level priors that are restricted to the range space of a pre-trained generator, GPP can recover a wide variety of natural images using a pre-trained patch generator. Additionally, GPP retains the benefits of generative priors like high reconstruction quality at extremely low sensing rates, while also being much more generally applicable. We show that GPP outperforms several unsupervised and supervised techniques on three different sensing models -- linear compressive sensing with known, and unknown calibration settings, and the non-linear phase retrieval problem. Finally, we propose an alternating optimization strategy using GPP for joint calibration-and-reconstruction which performs favorably against several baselines on a real world, un-calibrated compressive sensing dataset.
• Abstract（参考訳）: 本稿では, 圧縮画像の再生に先立って生成するGPP (Generative patch prior) について, パッチ・マニフォールドモデルに基づいて提案する。 事前訓練されたジェネレータの範囲に制限された学習された画像レベルのプリエントとは異なり、GPPは事前訓練されたパッチジェネレータを使用して様々な自然なイメージを復元することができる。 さらに、GPPは、非常に低い感度で高い再構成品質などの生成前の利点を保ちつつ、より一般的に適用できる。 GPPは、既知の未知のキャリブレーション設定による線形圧縮センシングと非線形位相探索問題という、3つの異なるセンシングモデルにおいて、教師なしおよび教師なしの技術よりも優れていることを示す。 最後に,実世界の複数のベースラインに対して好適に動作し,非共役圧縮センシングデータセットに対してgppを用いた交互最適化手法を提案する。

関連論文リスト

• Magnitude Pruning of Large Pretrained Transformer Models with a Mixture Gaussian Prior [9.878774148693575]
  混合ガウシアンプレプニングと呼ばれる新しい等級ベースプルーニングアルゴリズムを導入する。 それはモデルの表現力を維持することを目的としています。 スパース変圧器の整合性に関する理論的正当性を提供する。
  論文  参考訳（メタデータ） (2024-11-01T18:39:38Z)
• SafeguardGS: 3D Gaussian Primitive Pruning While Avoiding Catastrophic Scene Destruction [45.654397516679495]
  本稿では, 3DGSプルーニング技術を, Scene-level pruning と Pixel-level pruning の2つのタイプに分類した。 実験により、ピクセルレベルのプルーニングはプルーニングの固有の境界、すなわちガウス的プルーニングの保護を与えることが示された。 我々は,今後の研究に3DGSを最適化するための貴重な洞察を提供すると考えている。
  論文  参考訳（メタデータ） (2024-05-28T03:41:36Z)
• Semi-Supervised Coupled Thin-Plate Spline Model for Rotation Correction and Beyond [84.56978780892783]
  制御点が限られている複数のTPSを、より柔軟で強力な変換に繰り返し結合するCoupledTPSを提案する。 注記コストを考慮に入れた半教師付き学習手法を開発し、ラベルのないデータを活用することにより、ワープ品質を向上させる。 実験は、回転補正のための既存の最先端解よりもCoupledTPSの優位性と普遍性を示す。
  論文  参考訳（メタデータ） (2024-01-24T13:03:28Z)
• Generative Diffusion Prior for Unified Image Restoration and Enhancement [62.76390152617949]
  既存の画像復元法は、主に自然画像の後方分布を利用する。 教師なしサンプリング方式で後部分布を効果的にモデル化するための生成拡散優先(GDP)を提案する。 GDPは、線形逆問題、非線形問題、ブラインド問題を解くために、プレトレインデノナイジング拡散生成モデル(DDPM)を利用する。
  論文  参考訳（メタデータ） (2023-04-03T16:52:43Z)
• High-Perceptual Quality JPEG Decoding via Posterior Sampling [13.238373528922194]
  JPEGアーチファクト修正のための異なるパラダイムを提案する。 我々は、圧縮された入力と整合しながら、シャープで詳細で視覚的に再構成された画像を得ることを目指している。 我々のソリューションは、完全な整合性のある入力に対して、多種多様な可塑性かつ高速な再構成を提供する。
  論文  参考訳（メタデータ） (2022-11-21T19:47:59Z)
• Degradation-Aware Unfolding Half-Shuffle Transformer for Spectral Compressive Imaging [142.11622043078867]
  圧縮画像と物理マスクからパラメータを推定し,これらのパラメータを用いて各イテレーションを制御する,DAUF(Degradation-Aware Unfolding Framework)を提案する。 HST を DAUF に接続することにより,HSI 再構成のための変換器の深部展開法であるデグレーション・アウェア・アンフォールディング・ハーフシャッフル変換器 (DAUHST) を確立した。
  論文  参考訳（メタデータ） (2022-05-20T11:37:44Z)
• Generator Surgery for Compressed Sensing [20.55620263983587]
  信号優先度として生成器を用いて低表現誤差を実現する手法を提案する。 実験により、様々なネットワークアーキテクチャの復元品質が大幅に向上した。
  論文  参考訳（メタデータ） (2021-02-22T16:38:57Z)
• A Contrastive Learning Approach for Training Variational Autoencoder Priors [137.62674958536712]
  変分オートエンコーダ(VAE)は、多くの領域で応用される強力な可能性に基づく生成モデルの一つである。 VAEsが生成性に乏しいことの1つの説明は、事前の分布が集合の近似的な後部と一致しないという、事前の穴の問題である。 本研究では, 基底分布の積と再重み付け係数によって定義されるエネルギーベースの事前定義を行い, 基底を集合体後部へ近づけるようにした。
  論文  参考訳（メタデータ） (2020-10-06T17:59:02Z)
• The Power of Triply Complementary Priors for Image Compressive Sensing [89.14144796591685]
  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。
  論文  参考訳（メタデータ） (2020-05-16T08:17:44Z)
• Exploiting Deep Generative Prior for Versatile Image Restoration and Manipulation [181.08127307338654]
  本研究は, 大規模自然画像に基づいて学習したGAN(Generative Adversarial Network)により, 得られた画像の有効利用方法を示す。 深層生成前駆体(DGP)は、色、パッチ、解像度、様々な劣化した画像の欠落したセマンティクスを復元するための説得力のある結果を提供する。
  論文  参考訳（メタデータ） (2020-03-30T17:45:07Z)

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。