論文の概要: ENSURE: A General Approach for Unsupervised Training of Deep Image Reconstruction Algorithms

• arxiv url: http://arxiv.org/abs/2010.10631v3
• Date: Tue, 23 Mar 2021 18:06:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-05 05:53:34.953891
• Title: ENSURE: A General Approach for Unsupervised Training of Deep Image Reconstruction Algorithms
• Title（参考訳）: secure: 深部画像再構成アルゴリズムの教師なし学習に対する一般的なアプローチ
• Authors: Hemant Kumar Aggarwal, Aniket Pramanik, Mathews Jacob
• Abstract要約: この研究は、深層画像再構成アルゴリズムを訓練するための一般的なアプローチとして、ENsemble Stein's Unbiased Risk Estimate (ENSURE)フレームワークを紹介した。 実測データのみを用いるENSURE損失関数は,真の平均二乗誤差の偏りのない推定値であることを示す。 この損失関数でトレーニングされたネットワークは、教師付き設定に匹敵する再構成を提供できることを示す。
• 参考スコア（独自算出の注目度）: 29.864637081333086
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image reconstruction using deep learning algorithms offers improved reconstruction quality and lower reconstruction time than classical compressed sensing and model-based algorithms. Unfortunately, clean and fully sampled ground-truth data to train the deep networks is often not available in several applications, restricting the applicability of the above methods. This work introduces the ENsemble Stein's Unbiased Risk Estimate (ENSURE) framework as a general approach to train deep image reconstruction algorithms without fully sampled and noise-free images. The proposed framework is the generalization of the classical SURE and GSURE formulation to the setting where the images are sampled by different measurement operators, chosen randomly from a set. We show that the ENSURE loss function, which only uses the measurement data, is an unbiased estimate for the true mean-square error. Our experiments show that the networks trained with this loss function can offer reconstructions comparable to the supervised setting. While we demonstrate this framework in the context of MR image recovery, the ENSURE framework is generally applicable to arbitrary inverse problems.
• Abstract（参考訳）: ディープラーニングアルゴリズムを用いた画像再構成は、従来の圧縮センシングやモデルベースアルゴリズムよりも、再構成品質と再構成時間を短縮する。 残念ながら、深層ネットワークを訓練するためにクリーンで完全にサンプリングされた地上データは、しばしばいくつかのアプリケーションでは利用できず、上記の方法の適用性が制限されている。 本研究は,アンサンブル・スタインのunbiased risk estimation(ensure)フレームワークを,完全なサンプル画像やノイズのない画像なしで深部画像再構成アルゴリズムをトレーニングするための一般的なアプローチとして導入する。 提案するフレームワークは,従来のSUREとGSUREの定式化を,画像がランダムに選択された異なる測定演算子によってサンプリングされる設定に一般化するものである。 測定データのみを用いた保証損失関数は,真の平均二乗誤差に対する偏りのない推定であることを示す。 この損失関数でトレーニングされたネットワークは、教師付き設定に匹敵する再構成を提供できることを示す。 MR画像回復の文脈でこのフレームワークを実証するが、ENSUREフレームワークは一般に任意の逆問題に適用できる。

関連論文リスト

• Stable Deep MRI Reconstruction using Generative Priors [13.400444194036101]
  本稿では,参照等級画像のみを生成的設定でトレーニングした,新しいディープニューラルネットワークベース正規化器を提案する。 その結果,最先端のディープラーニング手法に匹敵する競争性能が示された。
  論文  参考訳（メタデータ） (2022-10-25T08:34:29Z)
• Denoising Diffusion Restoration Models [110.1244240726802]
  Denoising Diffusion Restoration Models (DDRM) は効率的で教師なしの後方サンプリング手法である。 DDRMの汎用性を、超高解像度、デブロアリング、インペイント、カラー化のためにいくつかの画像データセットに示す。
  論文  参考訳（メタデータ） (2022-01-27T20:19:07Z)
• Deep Image Prior using Stein's Unbiased Risk Estimator: SURE-DIP [31.408877556706376]
  超高解像度イメージングを含む多くのイメージングアプリケーションでは、トレーニングデータが不足している。 シングルショット画像回復のためのディープ画像先行アルゴリズム(DIP)が導入され、トレーニングデータの必要性を完全に排除した。 オーバーフィッティングを最小限に抑えるため,一般化されたStein's Unbiased Risk Estimation (GSURE)損失指標を導入する。
  論文  参考訳（メタデータ） (2021-11-21T20:11:56Z)
• Over-and-Under Complete Convolutional RNN for MRI Reconstruction [57.95363471940937]
  MR画像再構成のための最近のディープラーニングに基づく手法は、通常、汎用的なオートエンコーダアーキテクチャを利用する。 OUCR(Over-and-Under Complete Convolu?tional Recurrent Neural Network)を提案する。 提案手法は, トレーニング可能なパラメータの少ない圧縮されたセンシングと, 一般的なディープラーニングに基づく手法に対して, 大幅な改善を実現する。
  論文  参考訳（メタデータ） (2021-06-16T15:56:34Z)
• 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)
• Denoising Score-Matching for Uncertainty Quantification in Inverse Problems [1.521936393554569]
  本稿では、逆問題を解決するための一般的なベイズフレームワークを提案する。このフレームワークでは、信号の事前分布を学習するためのディープニューラルネットワークの使用を制限する。 この枠組みを磁気共鳴画像再構成(MRI)に適用し、再構成された画像の特定の特徴の不確実性を評価するために、この手法がどのように使用できるかを示す。
  論文  参考訳（メタデータ） (2020-11-16T18:33:06Z)
• Shared Prior Learning of Energy-Based Models for Image Reconstruction [69.72364451042922]
  本研究では,地中真理データを含まないトレーニングに特化して設計された画像再構成のための新しい学習ベースフレームワークを提案する。 基底真理データがない場合には、損失関数をパッチベースのワッサーシュタイン関数に変更する。 共用事前学習では、上記の最適制御問題と正規化器の共用学習パラメータを同時に最適化する。
  論文  参考訳（メタデータ） (2020-11-12T17:56:05Z)
• 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)
• Deep Variational Network Toward Blind Image Restoration [60.45350399661175]
  ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。 両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。 画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2020-08-25T03:30:53Z)
• Supervised Learning of Sparsity-Promoting Regularizers for Denoising [13.203765985718205]
  本稿では,画像復調のための疎度促進型正規化器の教師あり学習法を提案する。 実験の結果,提案手法はよく知られた正規化器よりも優れた演算子を学習できることがわかった。
  論文  参考訳（メタデータ） (2020-06-09T21:38:05Z)
• 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。