論文の概要: A Flexible Framework for Designing Trainable Priors with Adaptive Smoothing and Game Encoding

• arxiv url: http://arxiv.org/abs/2006.14859v2
• Date: Mon, 9 Nov 2020 10:00:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-16 21:59:21.670927
• Title: A Flexible Framework for Designing Trainable Priors with Adaptive Smoothing and Game Encoding
• Title（参考訳）: 適応型スムージングとゲームエンコーディングによるトレーニング可能な事前設計のためのフレキシブルフレームワーク
• Authors: Bruno Lecouat, Jean Ponce, Julien Mairal
• Abstract要約: 我々は、前方通過を非滑らかな凸最適化問題として解釈できるニューラルネットワーク層の設計とトレーニングのための一般的なフレームワークを紹介する。 グラフのノードに代表されるローカルエージェントによって解決され、正規化関数を介して相互作用する凸ゲームに焦点を当てる。 このアプローチは、訓練可能なエンドツーエンドのディープモデル内で、古典的な画像の事前使用を可能にするため、画像の問題を解決するために魅力的である。
• 参考スコア（独自算出の注目度）: 57.1077544780653
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce a general framework for designing and training neural network layers whose forward passes can be interpreted as solving non-smooth convex optimization problems, and whose architectures are derived from an optimization algorithm. We focus on convex games, solved by local agents represented by the nodes of a graph and interacting through regularization functions. This approach is appealing for solving imaging problems, as it allows the use of classical image priors within deep models that are trainable end to end. The priors used in this presentation include variants of total variation, Laplacian regularization, bilateral filtering, sparse coding on learned dictionaries, and non-local self similarities. Our models are fully interpretable as well as parameter and data efficient. Our experiments demonstrate their effectiveness on a large diversity of tasks ranging from image denoising and compressed sensing for fMRI to dense stereo matching.
• Abstract（参考訳）: 本稿では,非滑らかな凸最適化問題として前方通過を解釈し,最適化アルゴリズムからアーキテクチャを導出するニューラルネットワーク層の設計とトレーニングのための一般的なフレームワークを提案する。 グラフのノードに代表されるローカルエージェントによって解決され、正規化関数を介して相互作用する凸ゲームに焦点を当てる。 このアプローチは、トレーニング可能なディープモデル内の古典的なイメージプリエントをエンドツーエンドで使用可能にするため、画像問題を解決する上で魅力的なものだ。 このプレゼンテーションで使用された前者は、全変量、ラプラシア正規化、両側フィルタリング、学習辞書でのスパースコーディング、非局所的な自己類似性などである。 我々のモデルはパラメータとデータを効率的に解釈できる。 本実験は,fMRIの撮像と圧縮センシングから,高密度ステレオマッチングに至るまで,様々なタスクにおいて有効性を示す。

関連論文リスト

• Query Quantized Neural SLAM [25.72309707436261]
  本稿では,入力の変動を減らし,フレームのオーバーフィットを容易かつ高速に行うためのクエリ量子化ニューラルネットワークSLAMを提案する。 広範に使用されているベンチマークの視覚的および数値的な比較を報告し、再構成とカメラトラッキングの両方における最新の手法よりも優位性を示す。
  論文  参考訳（メタデータ） (2024-12-21T04:08:18Z)
• Learning of Patch-Based Smooth-Plus-Sparse Models for Image Reconstruction [14.93489065234423]
  最適化を二段階問題として定式化する。 我々は,デノナイズ,超高分解能,圧縮型磁気共鳴イメージングの手法について検討した。
  論文  参考訳（メタデータ） (2024-12-17T16:34:32Z)
• Blind Inverse Problem Solving Made Easy by Text-to-Image Latent Diffusion [95.91087143020644]
  本稿では,大規模テキスト・画像拡散モデルを用いて視覚的逆問題に対処する学習自由フレームワークであるLADiBIを提案する。 自然言語のプロンプトを活用することで、LADiBIはターゲット画像と演算子の両方の事前モデルを共同でモデル化し、さまざまなタスクに柔軟な適応を可能にする。 実験の結果,LADiBIは線形および非線形の両問題を含む幅広い画像復元タスクを解くことができることがわかった。
  論文  参考訳（メタデータ） (2024-11-30T18:55:01Z)
• SequentialAttention++ for Block Sparsification: Differentiable Pruning Meets Combinatorial Optimization [22.888876901031043]
  ニューラルネットワークプルーニングは、大規模で拡張性があり、解釈可能で、一般化可能なモデルを構築するための重要な技術である。 群スパース最適化の非正規化として,既存の微分可能なプルーニング手法がいくつあるかを示す。 我々は、ImageNetとCriteoデータセット上の大規模ニューラルネットワークブロックワイドプルーニングタスクの最先端技術であるSequentialAttention++を提案する。
  論文  参考訳（メタデータ） (2024-02-27T21:42:18Z)
• Distance Weighted Trans Network for Image Completion [52.318730994423106]
  本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
  論文  参考訳（メタデータ） (2023-10-11T12:46:11Z)
• Spherical Image Inpainting with Frame Transformation and Data-driven Prior Deep Networks [13.406134708071345]
  本研究では,深層学習に基づく正規化器を用いた球面画像の塗布作業に焦点をあてる。 我々は,高速な球面ハールフレームレット変換を採用し,フレームレット変換のスパース性仮定に基づく新しい最適化フレームワークを開発した。 提案アルゴリズムは、損傷した球面画像を大幅に復元し、深層学習デノイザとプラグ・アンド・プレイモデルを用いて、純粋に最高の性能が得られることを示す。
  論文  参考訳（メタデータ） (2022-09-29T07:51:27Z)
• Learning Discriminative Shrinkage Deep Networks for Image Deconvolution [122.79108159874426]
  本稿では,これらの用語を暗黙的にモデル化する識別的縮小関数を学習することで,効果的に非盲検デコンボリューション手法を提案する。 実験結果から,提案手法は最先端の手法に対して,効率と精度の点で好適に動作することがわかった。
  論文  参考訳（メタデータ） (2021-11-27T12:12:57Z)
• Joint inference and input optimization in equilibrium networks [68.63726855991052]
  ディープ均衡モデル(Deep equilibrium model)は、従来のネットワークの深さを予測し、代わりに単一の非線形層の固定点を見つけることによってネットワークの出力を計算するモデルのクラスである。 この2つの設定の間には自然なシナジーがあることが示されています。 この戦略は、生成モデルのトレーニングや、潜時符号の最適化、デノベートやインペインティングといった逆問題に対するトレーニングモデル、対逆トレーニング、勾配に基づくメタラーニングなど、様々なタスクにおいて実証される。
  論文  参考訳（メタデータ） (2021-11-25T19:59:33Z)
• Regularization via deep generative models: an analysis point of view [8.818465117061205]
  本稿では, イメージングにおける逆問題(例えば, デブロアリングやインペインティング)を, 深部生成ニューラルネットワークを用いて正則化する新しい手法を提案する。 多くの場合、我々の技術はパフォーマンスの明確な改善を実現し、より堅牢であるように思える。
  論文  参考訳（メタデータ） (2021-01-21T15:04:57Z)
• 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)

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。