Fugu-MT 論文翻訳(概要): A Fast Stochastic Plug-and-Play ADMM for Imaging Inverse Problems

論文の概要: A Fast Stochastic Plug-and-Play ADMM for Imaging Inverse Problems

arxiv url: http://arxiv.org/abs/2006.11630v2
Date: Tue, 23 Jun 2020 08:47:00 GMT
ステータス: 処理完了
システム内更新日: 2022-11-18 23:04:34.330568
Title: A Fast Stochastic Plug-and-Play ADMM for Imaging Inverse Problems
Title（参考訳）: 逆問題の画像化のための高速確率的プラグアンドプレイADMM
Authors: Junqi Tang, Mike Davies
Abstract要約: 本稿では,画像アプリケーションのための効率的なプラグアンドプレイ(逆問題)アルゴリズムを提案する。提案手法の有効性を最先端手法と比較し,本手法の有効性を検証した。
参考スコア（独自算出の注目度）: 5.025654873456756
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this work we propose an efficient stochastic plug-and-play (PnP) algorithm for imaging inverse problems. The PnP stochastic gradient descent methods have been recently proposed and shown improved performance in some imaging applications over standard deterministic PnP methods. However, current stochastic PnP methods need to frequently compute the image denoisers which can be computationally expensive. To overcome this limitation, we propose a new stochastic PnP-ADMM method which is based on introducing stochastic gradient descent inner-loops within an inexact ADMM framework. We provide the theoretical guarantee on the fixed-point convergence for our algorithm under standard assumptions. Our numerical results demonstrate the effectiveness of our approach compared with state-of-the-art PnP methods.
Abstract（参考訳）: 本研究では,逆問題の画像化のための効率的な確率的プラグアンドプレイ(PnP)アルゴリズムを提案する。 PnPの確率勾配勾配降下法が最近提案され、標準的な決定論的PnP法よりも優れた性能を示した。しかし、現在の確率的pnp法は、計算コストが高い画像デノイザを頻繁に計算する必要がある。この制限を克服するために,不正確なADMMフレームワーク内に確率勾配勾配内ループを導入することに基づく,確率的PnP-ADMM法を提案する。標準仮定の下でのアルゴリズムの固定点収束に関する理論的保証を提供する。数値実験の結果, 最先端pnp法と比較して, 提案手法の有効性が示された。

関連論文リスト

PnP-Flow: Plug-and-Play Image Restoration with Flow Matching [2.749898166276854]
本稿では,逆画像問題の解法であるPlug-and-Play Flow Matchingを提案する。我々は,デノイング,スーパーレゾリューション,インペインティングのタスクにおける性能を評価した。
論文参考訳（メタデータ） (2024-10-03T12:13:56Z)
A Unified Plug-and-Play Algorithm with Projected Landweber Operator for Split Convex Feasibility Problems [6.185478918618347]
近年,Plug-and-Play法は,演算子をデノイザに置き換えることで,逆画像問題における最先端性能を実現している。理論的に保証されたステップサイズを持つ手法の適用は困難であり、アルゴリズムはノイズに制限される。これらの問題に対処するために、Project Landweber Operator (PLOPLO) が提案されている。
論文参考訳（メタデータ） (2024-08-22T03:29:51Z)
Provably Convergent Plug-and-Play Quasi-Newton Methods [5.9974035827998655]
本稿では,忠実度項とディープデノイザを併用する効率的な手法を提案する。提案した準ニュートンアルゴリズムは,弱凸関数の臨界点であることを示す。画像ブラアリングと超高分解能の実験は、他の証明可能なdeM法と比較して、より高速な収束を示す。
論文参考訳（メタデータ） (2023-03-09T20:09:15Z)
A relaxed proximal gradient descent algorithm for convergent plug-and-play with proximal denoiser [6.2484576862659065]
本稿では,新しいコンバーゼントなPlug-and-fidelity Descent (Play)アルゴリズムを提案する。このアルゴリズムは、より広い範囲の通常の凸化パラメータに収束し、画像のより正確な復元を可能にする。
論文参考訳（メタデータ） (2023-01-31T16:11:47Z)
Nesterov Accelerated ADMM for Fast Diffeomorphic Image Registration [63.15453821022452]
ディープラーニングに基づくアプローチの最近の発展は、DiffIRのサブ秒間実行を実現している。本稿では,中間定常速度場を機能的に構成する簡易な反復スキームを提案する。次に、任意の順序の正規化項を用いて、これらの速度場に滑らかさを課す凸最適化モデルを提案する。
論文参考訳（メタデータ） (2021-09-26T19:56:45Z)
Parallel Stochastic Mirror Descent for MDPs [72.75921150912556]
無限水平マルコフ決定過程(MDP)における最適政策学習の問題を考える。リプシッツ連続関数を用いた凸プログラミング問題に対してミラー・ディクセントの変種が提案されている。このアルゴリズムを一般の場合において解析し,提案手法の動作中に誤差を蓄積しない収束率の推定値を得る。
論文参考訳（メタデータ） (2021-02-27T19:28:39Z)
TFPnP: Tuning-free Plug-and-Play Proximal Algorithm with Applications to Inverse Imaging Problems [22.239477171296056]
Plug-and-Play (MM) は非最適化フレームワークであり、例えば、数値アルゴリズムと高度なデノゲーション前処理を組み合わせたものである。我々は、学習戦略とともに最先端の成果である、より難解な問題に対するいくつかの実践的考察について論じる。
論文参考訳（メタデータ） (2020-11-18T14:19:30Z)
Logistic Q-Learning [87.00813469969167]
MDPにおける最適制御の正規化線形プログラミング定式化から導いた新しい強化学習アルゴリズムを提案する。提案アルゴリズムの主な特徴は,広範に使用されているベルマン誤差の代わりとして理論的に音声として機能する,政策評価のための凸損失関数である。
論文参考訳（メタデータ） (2020-10-21T17:14:31Z)
Gaussian MRF Covariance Modeling for Efficient Black-Box Adversarial Attacks [86.88061841975482]
我々は,ゼロオーダーのオラクルにのみアクセス可能なブラックボックス設定において,逆例を生成する問題について検討する。我々はこの設定を用いて、FGSM(Fast Gradient Sign Method)のブラックボックス版と同様に、高速な1ステップの敵攻撃を見つける。提案手法はクエリを少なくし,現在の技術よりも攻撃成功率が高いことを示す。
論文参考訳（メタデータ） (2020-10-08T18:36:51Z)
Momentum-Based Policy Gradient Methods [133.53164856723782]
モデルフリー強化学習のための効率的なモーメントに基づくポリシー勾配手法のクラスを提案する。特に,IS-MBPG法の適応的でないバージョンを提示するが,これは大きなバッチを伴わずに$O(epsilon-3)$と最もよく知られたサンプルの複雑さに達する。
論文参考訳（メタデータ） (2020-07-13T20:44:15Z)
Stochastic Optimization with Heavy-Tailed Noise via Accelerated Gradient Clipping [69.9674326582747]
そこで本研究では,重み付き分散雑音を用いたスムーズな凸最適化のための,クリップ付きSSTMと呼ばれる新しい1次高速化手法を提案する。この場合、最先端の結果を上回る新たな複雑さが証明される。本研究は,SGDにおいて,ノイズに対する光細かな仮定を伴わずにクリッピングを施した最初の非自明な高確率複雑性境界を導出した。
論文参考訳（メタデータ） (2020-05-21T17:05:27Z)

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。