論文の概要: Solving Phase Retrieval with a Learned Reference
- arxiv url: http://arxiv.org/abs/2007.14621v1
- Date: Wed, 29 Jul 2020 06:17:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-05 20:56:10.244886
- Title: Solving Phase Retrieval with a Learned Reference
- Title（参考訳）: 学習参照による位相検索の解法
- Authors: Rakib Hyder, Zikui Cai, and M. Salman Asif
- Abstract要約: フーリエ位相探索は、フーリエ係数の振幅測定から画像の回復を扱う古典的な問題である。
本稿では、振幅測定を行う前に、既知の(学習した)参照を信号に追加すると仮定する。
本手法はホログラフィーに参照信号を追加する原理に着想を得たものである。
- 参考スコア（独自算出の注目度）: 18.76940558836028
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Fourier phase retrieval is a classical problem that deals with the recovery
of an image from the amplitude measurements of its Fourier coefficients.
Conventional methods solve this problem via iterative (alternating)
minimization by leveraging some prior knowledge about the structure of the
unknown image. The inherent ambiguities about shift and flip in the Fourier
measurements make this problem especially difficult; and most of the existing
methods use several random restarts with different permutations. In this paper,
we assume that a known (learned) reference is added to the signal before
capturing the Fourier amplitude measurements. Our method is inspired by the
principle of adding a reference signal in holography. To recover the signal, we
implement an iterative phase retrieval method as an unrolled network. Then we
use back propagation to learn the reference that provides us the best
reconstruction for a fixed number of phase retrieval iterations. We performed a
number of simulations on a variety of datasets under different conditions and
found that our proposed method for phase retrieval via unrolled network and
learned reference provides near-perfect recovery at fixed (small) computational
cost. We compared our method with standard Fourier phase retrieval methods and
observed significant performance enhancement using the learned reference.
- Abstract（参考訳）: フーリエ位相探索は、フーリエ係数の振幅測定から画像の回復を扱う古典的な問題である。
従来の手法では、未知画像の構造に関する事前知識を活用し、反復的(連続的な)最小化によってこの問題を解決する。
フーリエ測定におけるシフトとフリップに関する本質的な曖昧さは、この問題を特に困難にしている。
本稿では,フーリエ振幅の測定を行う前に,信号に既知の(学習された)参照が付加されることを仮定する。
本手法はホログラフィーに参照信号を追加する原理に着想を得たものである。
信号を復元するために,反復位相検索法を未ロールネットワークとして実装する。
その後、バックプロパゲーションを使用して、一定数のフェーズ検索イテレーションの最適な再構築を提供するリファレンスを学習します。
異なる条件下で様々なデータセット上で多数のシミュレーションを行い, 学習基準とアンロールネットワークを用いた位相探索手法が, 固定(小)計算コストでほぼ完全回復することを示した。
本手法を標準フーリエ位相検索法と比較し,学習基準を用いて有意な性能向上を観測した。
関連論文リスト
- Improving Diffusion Inverse Problem Solving with Decoupled Noise Annealing [84.97865583302244]
本稿では,新しいノイズアニーリングプロセスに依存するDAPS (Decoupled Annealing Posterior Sampling) 法を提案する。
DAPSは、複数の画像復元タスクにおけるサンプル品質と安定性を著しく改善する。
例えば、フェーズ検索のためのFFHQ 256データセット上で、PSNRが30.72dBである場合、既存の手法と比較して9.12dBの改善となる。
論文 参考訳（メタデータ） (2024-07-01T17:59:23Z) - Single-shot Phase Retrieval from a Fractional Fourier Transform
Perspective [12.490990352972695]
分数フーリエ変換の観点から,新しい単発位相探索パラダイムを提案する。
FrFT領域の強度測定は位相検索のあいまいさを軽減するのに非常に有効である。
提案する自己教師型再構成手法は,FrFTの高速離散アルゴリズムを,未学習のニューラルネットワークの先行アルゴリズムと併用する。
論文 参考訳（メタデータ） (2023-11-18T03:11:31Z) - Optimal Algorithms for the Inhomogeneous Spiked Wigner Model [89.1371983413931]
不均一な問題に対する近似メッセージパッシングアルゴリズム(AMP)を導出する。
特に,情報理論の閾値よりも大きい信号と雑音の比を必要とする既知のアルゴリズムが,ランダムよりも優れた処理を行うための統計的・計算的ギャップの存在を同定する。
論文 参考訳（メタデータ） (2023-02-13T19:57:17Z) - Alternating Phase Langevin Sampling with Implicit Denoiser Priors for
Phase Retrieval [1.7767466724342065]
本稿では,従来のフレームワークに組み込んだ位相探索問題の解法を提案する。
位相探索のための性能記述に基づくアルゴリズムと比較し、分布内画像と分布外画像の顕著な測定結果と競合する性能を示す。
論文 参考訳（メタデータ） (2022-11-02T05:08:50Z) - Diffusion Posterior Sampling for General Noisy Inverse Problems [50.873313752797124]
我々は、後方サンプリングの近似により、雑音(非線形)逆問題に対処するために拡散解法を拡張した。
本手法は,拡散モデルが様々な計測ノイズ統計を組み込むことができることを示す。
論文 参考訳（メタデータ） (2022-09-29T11:12:27Z) - Improving Diffusion Models for Inverse Problems using Manifold Constraints [55.91148172752894]
我々は,現在の解法がデータ多様体からサンプルパスを逸脱し,エラーが蓄積することを示す。
この問題に対処するため、多様体の制約に着想を得た追加の補正項を提案する。
本手法は理論上も経験上も従来の方法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-06-02T09:06:10Z) - A Closer Look at Reference Learning for Fourier Phase Retrieval [0.966840768820136]
フーリエ等級が測定される前に、画像に参照画像を追加することができる位相探索問題の修正版を考える。
本稿では,参照画像の簡易かつ効率的な構築方法を提案する。
論文 参考訳（メタデータ） (2021-10-26T13:25:36Z) - Non-Iterative Phase Retrieval With Cascaded Neural Networks [0.966840768820136]
本稿では,非オーバースタンプフーリエ等級と異なる解像度で画像を連続的に再構成するディープニューラルネットワークカスケードを提案する。
提案手法を4つの異なるデータセットで評価する。
論文 参考訳（メタデータ） (2021-06-18T15:52:12Z) - Sigma-Delta and Distributed Noise-Shaping Quantization Methods for
Random Fourier Features [73.25551965751603]
我々は、量子化 RFF が基礎となるカーネルの高精度な近似を可能にすることを証明した。
量子化 RFF はさらに圧縮され,メモリ使用量と精度のトレードオフに優れることを示す。
本手法は,この文脈におけるアート量子化手法の他の状態と比較し,いくつかの機械学習タスクにおいて,提案手法の性能を実証的に示す。
論文 参考訳（メタデータ） (2021-06-04T17:24:47Z) - A Fourier-based Framework for Domain Generalization [82.54650565298418]
ドメインの一般化は、複数のソースドメインから伝達可能な知識を学習して、未確認のターゲットドメインに一般化することでこの問題に対処することを目的としている。
本稿では、ドメイン一般化のための新しいフーリエに基づく視点を紹介する。
3つのベンチマーク実験により,提案手法は領域一般化のための最先端性能を実現することができることを示した。
論文 参考訳（メタデータ） (2021-05-24T06:50:30Z) - DeepPhaseCut: Deep Relaxation in Phase for Unsupervised Fourier Phase
Retrieval [31.380061715549584]
本稿では、フーリエ位相探索のための新しい、教師なしフィードフォワードニューラルネットワークを提案する。
ニューラルネットワークを正規化用語や、教師付きトレーニングのためのエンドツーエンドのブラックボックスモデルとして使用している既存のディープラーニングアプローチとは異なり、我々のアルゴリズムは、教師なし学習フレームワークにおけるPhaseCutアルゴリズムのフィードフォワードニューラルネットワーク実装である。
我々のネットワークは2つの生成器で構成されている: 1つは位相損失を用いた位相推定用で、もう1つは画像再構成用で、これらは全て一致したデータを持たないCycleGANフレームワークを用いて同時に訓練されている。
論文 参考訳（メタデータ） (2020-11-20T16:10:08Z)
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。