論文の概要: Blind Image Restoration with Flow Based Priors

• arxiv url: http://arxiv.org/abs/2009.04583v1
• Date: Wed, 9 Sep 2020 21:40:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-20 11:56:07.957062
• Title: Blind Image Restoration with Flow Based Priors
• Title（参考訳）: flow based priorsを用いたブラインド画像復元
• Authors: Leonhard Helminger, Michael Bernasconi, Abdelaziz Djelouah, Markus Gross, Christopher Schroers
• Abstract要約: 未知の劣化を伴う盲点において、優れた先行性は依然として不可欠である。 本稿では, 正規化フローを用いて対象コンテンツの分布をモデル化し, 最大アフターリ(MAP)の定式化に先立ってこれを前もって用いることを提案する。 我々の知る限りでは、これは画像強調問題に先行する正規化フローを探求する最初の研究である。
• 参考スコア（独自算出の注目度）: 19.190289348734215
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image restoration has seen great progress in the last years thanks to the advances in deep neural networks. Most of these existing techniques are trained using full supervision with suitable image pairs to tackle a specific degradation. However, in a blind setting with unknown degradations this is not possible and a good prior remains crucial. Recently, neural network based approaches have been proposed to model such priors by leveraging either denoising autoencoders or the implicit regularization captured by the neural network structure itself. In contrast to this, we propose using normalizing flows to model the distribution of the target content and to use this as a prior in a maximum a posteriori (MAP) formulation. By expressing the MAP optimization process in the latent space through the learned bijective mapping, we are able to obtain solutions through gradient descent. To the best of our knowledge, this is the first work that explores normalizing flows as prior in image enhancement problems. Furthermore, we present experimental results for a number of different degradations on data sets varying in complexity and show competitive results when comparing with the deep image prior approach.
• Abstract（参考訳）: 深層ニューラルネットワークの進歩により、画像復元はここ数年で大きな進歩を遂げている。 これらの既存の技術のほとんどは、特定の劣化に対処するために適切な画像ペアによる完全な監視を使用して訓練されている。 しかし、未知の劣化のある盲目環境では、これは不可能であり、良い事前は重要なままである。 近年,ニューラルネットワーク構造自体が捉えた自己エンコーダや暗黙の正規化を活用することで,そのような先行をモデル化するためのニューラルネットワークベースのアプローチが提案されている。 これとは対照的に,正規化フローを用いて対象コンテンツの分布をモデル化し,これを最大後段(map)定式化の事前として用いることを提案する。 学習された単射写像を通して潜在空間におけるMAP最適化過程を表現することにより、勾配降下による解が得られる。 我々の知る限りでは、これは画像強調問題に先行する正規化フローを探求する最初の研究である。 さらに,複雑性の異なるデータセットのさまざまな劣化に関する実験結果を示すとともに,画像先行手法と比較した場合の競合性を示す。

関連論文リスト

• Chasing Better Deep Image Priors between Over- and Under-parameterization [63.8954152220162]
  そこで本研究では,DNN固有の空間性を利用して,LIP(lottery image prior)を新たに検討する。 LIPworksは、コンパクトなモデルサイズでディープデコーダを著しく上回っている。 また、LIPを圧縮センシング画像再構成に拡張し、事前学習したGANジェネレータを前者として使用する。
  論文  参考訳（メタデータ） (2024-10-31T17:49:44Z)
• Blind Image Deconvolution Using Variational Deep Image Prior [4.92175281564179]
  本稿では,視覚障害者のための新しい変分深度画像前処理(VDIP)を提案する。 VDIPは、潜時シャープ画像に付加的な手作り画像の先行を悪用し、各ピクセルの分布を近似して、最適以下の解を避ける。 実験により、生成された画像は、ベンチマークデータセットのオリジナルのDIPよりも品質が良いことが示された。
  論文  参考訳（メタデータ） (2022-02-01T01:33:58Z)
• 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)
• NerfingMVS: Guided Optimization of Neural Radiance Fields for Indoor Multi-view Stereo [97.07453889070574]
  本稿では,従来のSfM再構成と学習に基づく先行手法を併用した多視点深度推定手法を提案する。 提案手法は室内シーンにおける最先端手法を著しく上回ることを示す。
  論文  参考訳（メタデータ） (2021-09-02T17:54:31Z)
• Image Restoration by Deep Projected GSURE [115.57142046076164]
  Ill-posed inverse problem は、デブロアリングや超解像など、多くの画像処理アプリケーションに現れる。 本稿では,一般化されたSteinUnbiased Risk Estimator(GSURE)の「投影変換」とCNNによる潜在画像のパラメータ化を含む損失関数の最小化に基づく,新たな画像復元フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-04T08:52:46Z)
• 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)
• Using Deep Image Priors to Generate Counterfactual Explanations [38.62513524757573]
  ディープ画像先行(DIP)は、潜在表現エンコーディングからプレイメージを得るために用いられる。 本稿では,予測器と共同で学習した補助損失推定器に基づく新たな正規化戦略を提案する。
  論文  参考訳（メタデータ） (2020-10-22T20:40:44Z)
• Quantifying Model Uncertainty in Inverse Problems via Bayesian Deep Gradient Descent [4.029853654012035]
  逆問題における最近の進歩は、例えばディープニューラルネットワークのような強力なデータ駆動モデルを活用する。 ベイズニューラルネットワークによるモデル不確実性を定量化するための,スケーラブルでデータ駆動型,知識支援型計算フレームワークを開発した。
  論文  参考訳（メタデータ） (2020-07-20T09:43:31Z)
• A Flexible Framework for Designing Trainable Priors with Adaptive Smoothing and Game Encoding [57.1077544780653]
  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。
  論文  参考訳（メタデータ） (2020-06-26T08:34:54Z)
• MSE-Optimal Neural Network Initialization via Layer Fusion [68.72356718879428]
  ディープニューラルネットワークは、さまざまな分類と推論タスクに対して最先端のパフォーマンスを達成する。 グラデーションと非進化性の組み合わせは、学習を新しい問題の影響を受けやすいものにする。 確率変数を用いて学習した深層ネットワークの近傍層を融合する手法を提案する。
  論文  参考訳（メタデータ） (2020-01-28T18:25:15Z)

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。