論文の概要: Deep Learning Methods for Solving Linear Inverse Problems: Research
Directions and Paradigms
- arxiv url: http://arxiv.org/abs/2007.13290v2
- Date: Tue, 11 Aug 2020 04:09:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-06 11:53:45.937531
- Title: Deep Learning Methods for Solving Linear Inverse Problems: Research
Directions and Paradigms
- Title（参考訳）: 線形逆問題を解くための深層学習法--研究の方向性とパラダイム
- Authors: Yanna Bai, Wei Chen, Jie Chen, Weisi Guo
- Abstract要約: ディープラーニングの急速な発展は、線形逆問題の解決に新たな視点を提供する。
本稿では,線形逆問題の解法におけるディープラーニング手法の応用について概説する。
従来の手法で使用される知識を取り入れた構造化ニューラルネットワークアーキテクチャについて検討する。
- 参考スコア（独自算出の注目度）: 15.996292006766089
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The linear inverse problem is fundamental to the development of various
scientific areas. Innumerable attempts have been carried out to solve different
variants of the linear inverse problem in different applications. Nowadays, the
rapid development of deep learning provides a fresh perspective for solving the
linear inverse problem, which has various well-designed network architectures
results in state-of-the-art performance in many applications. In this paper, we
present a comprehensive survey of the recent progress in the development of
deep learning for solving various linear inverse problems. We review how deep
learning methods are used in solving different linear inverse problems, and
explore the structured neural network architectures that incorporate knowledge
used in traditional methods. Furthermore, we identify open challenges and
potential future directions along this research line.
- Abstract（参考訳）: 線形逆問題(英語版)は、様々な科学分野の発展に基礎がある。
線形逆問題の異なる変種を異なるアプリケーションで解くために、無数の試みがなされている。
現在、ディープラーニングの急速な発展は、様々なよく設計されたネットワークアーキテクチャを持つ線形逆問題を解くための新しい視点を提供し、多くのアプリケーションで最先端のパフォーマンスをもたらす。
本稿では,様々な線形逆問題を解くための深層学習開発における最近の進歩を包括的に調査する。
線形逆問題の解法としてディープラーニング手法がどのように使われているのかを概観し、従来の手法で用いられる知識を取り入れた構造化ニューラルネットワークアーキテクチャについて検討する。
さらに,この研究線に沿ったオープン課題と今後の展望を明らかにする。
関連論文リスト
- Exploring the solution space of linear inverse problems with GAN latent
geometry [23.779985842891705]
逆問題とは、不完全な測定セットからの信号の再構成である。
そこで本研究では, 生成的逆数ネットワークによって学習された, 測定値とデータ駆動型事前学習の両方に適合する複数の再構成を生成する手法を提案する。
論文 参考訳（メタデータ） (2022-07-01T14:33:44Z) - Theoretical Perspectives on Deep Learning Methods in Inverse Problems [115.93934028666845]
我々は、生成前の先行、訓練されていないニューラルネットワークの先行、および展開アルゴリズムに焦点を当てる。
これらのトピックにおける既存の結果の要約に加えて、現在進行中の課題やオープンな問題も強調する。
論文 参考訳（メタデータ） (2022-06-29T02:37:50Z) - Provably Convergent Algorithms for Solving Inverse Problems Using
Generative Models [47.208080968675574]
より完全な理解を伴う逆問題における生成モデルの利用について検討する。
我々は様々な逆問題を解くための実験結果を用いて主張を支持する。
我々は,モデルミスマッチ(生成前処理が必ずしも適用されない状況)を処理する手法の拡張を提案する。
論文 参考訳（メタデータ） (2021-05-13T15:58:27Z) - A Survey on Deep Semi-supervised Learning [51.26862262550445]
まず,既存の手法を分類した深層半指導学習の分類法を提案する。
次に、損失の種類、貢献度、アーキテクチャの違いの観点から、これらのメソッドを詳細に比較します。
論文 参考訳（メタデータ） (2021-02-28T16:22:58Z) - Solving Sparse Linear Inverse Problems in Communication Systems: A Deep
Learning Approach With Adaptive Depth [51.40441097625201]
疎信号回復問題に対するエンドツーエンドの訓練可能なディープラーニングアーキテクチャを提案する。
提案手法は,出力するレイヤ数を学習し,各タスクのネットワーク深さを推論フェーズで動的に調整する。
論文 参考訳（メタデータ） (2020-10-29T06:32:53Z) - Regularization of Inverse Problems by Neural Networks [0.0]
逆問題は、計算トモグラフィー、非破壊検査、リモートセンシングを含む様々な画像アプリケーションで発生する。
逆問題の特徴は、解の非特異性と不安定性である。
ディープラーニング技術とニューラルネットワークは、逆問題に対する古典的解法を大幅に上回ることを示した。
論文 参考訳（メタデータ） (2020-06-06T20:49:12Z) - Structure preserving deep learning [1.2263454117570958]
深層学習は、大きな関心事のトピックとして、前景に浮かび上がっています。
ディープラーニングの適用には、いくつかの挑戦的な数学的問題がある。
既存のディープラーニング手法の構造を数学的に理解する努力が増えている。
論文 参考訳（メタデータ） (2020-06-05T10:59:09Z) - Deep Learning Techniques for Inverse Problems in Imaging [102.30524824234264]
機械学習における最近の研究は、ディープニューラルネットワークが様々な逆問題の解決に利用できることを示している。
異なる問題や再構築方法の分類に使用できる分類法を提案する。
論文 参考訳（メタデータ） (2020-05-12T18:35:55Z) - Total Deep Variation for Linear Inverse Problems [71.90933869570914]
本稿では,近年のアーキテクチャ設計パターンを深層学習から活用する,学習可能な汎用正規化手法を提案する。
本稿では,古典的画像復元と医用画像再構成問題に対する最先端の性能について述べる。
論文 参考訳（メタデータ） (2020-01-14T19:01:50Z)
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。