論文の概要: DeepPhaseCut: Deep Relaxation in Phase for Unsupervised Fourier Phase Retrieval

• arxiv url: http://arxiv.org/abs/2011.10475v1
• Date: Fri, 20 Nov 2020 16:10:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-23 05:05:04.368337
• Title: DeepPhaseCut: Deep Relaxation in Phase for Unsupervised Fourier Phase Retrieval
• Title（参考訳）: DeepPhaseCut:教師なしフーリエ位相検索のための位相の深い緩和
• Authors: Eunju Cha, Chanseok Lee, Mooseok Jang, and Jong Chul Ye
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 31.380061715549584
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fourier phase retrieval is a classical problem of restoring a signal only from the measured magnitude of its Fourier transform. Although Fienup-type algorithms, which use prior knowledge in both spatial and Fourier domains, have been widely used in practice, they can often stall in local minima. Modern methods such as PhaseLift and PhaseCut may offer performance guarantees with the help of convex relaxation. However, these algorithms are usually computationally intensive for practical use. To address this problem, we propose a novel, unsupervised, feed-forward neural network for Fourier phase retrieval which enables immediate high quality reconstruction. Unlike the existing deep learning approaches that use a neural network as a regularization term or an end-to-end blackbox model for supervised training, our algorithm is a feed-forward neural network implementation of PhaseCut algorithm in an unsupervised learning framework. Specifically, our network is composed of two generators: one for the phase estimation using PhaseCut loss, followed by another generator for image reconstruction, all of which are trained simultaneously using a cycleGAN framework without matched data. The link to the classical Fienup-type algorithms and the recent symmetry-breaking learning approach is also revealed. Extensive experiments demonstrate that the proposed method outperforms all existing approaches in Fourier phase retrieval problems.
• Abstract（参考訳）: フーリエ位相探索は、フーリエ変換の測定値からのみ信号を復元する古典的な問題である。 空間領域とフーリエ領域の両方で事前の知識を使用するフィエナップ型アルゴリズムは、実際には広く用いられているが、局所的なミニマではしばしば停止する。 PhaseLift や PhaseCut のような現代的な手法は凸緩和の助けを借りて性能保証を提供する。 しかし、これらのアルゴリズムは通常、実用上は計算量が多い。 この問題に対処するために,Fourier位相検索のための新しい,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として使用する既存のディープラーニングアプローチや、教師付きトレーニングのためのエンドツーエンドブラックボックスモデルとは異なり、本アルゴリズムは教師なし学習フレームワークにおけるフェーズカット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。 具体的には、フェーズカット損失を用いた位相推定と、画像再構成のための別のジェネレータの2つのジェネレータで構成されており、これら全ては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。 古典fienup型アルゴリズムと最近の対称性破壊学習手法との関係も明らかにされている。 大規模な実験により,提案手法はフーリエ位相探索問題において既存の全ての手法より優れていることが示された。

関連論文リスト

• Robust Fourier Neural Networks [1.0589208420411014]
  フーリエ埋込層の後, 単純な対角層を導入することにより, ネットワークの騒音測定がより堅牢になることを示す。 特定の条件下では,フーリエ関数の非線形関数の雑音混合である関数も学習することができる。
  論文  参考訳（メタデータ） (2024-09-03T16:56:41Z)
• Coordinate-based Neural Network for Fourier Phase Retrieval [8.827173113748703]
  Single ImpliCit neurAl Network (SCAN) は、位相探索性能を向上させるために慎重に設計されたニューラルネットワークをコーディネートするツールである。 SCANは、教師なしの方法で、オブジェクト座標を統一ネットワーク内の振幅と位相に順応的に接続する。
  論文  参考訳（メタデータ） (2023-11-25T04:23:23Z)
• Untrained neural network embedded Fourier phase retrieval from few measurements [8.914156789222266]
  本稿では、FPRを少ない測定値で解くために、未学習のニューラルネットワーク埋め込みアルゴリズムを提案する。 再生する画像を表すために生成ネットワークを使用し、ネットワーク構造によって定義された空間に画像を閉じ込める。 未学習NNのパラメータ更新に起因した計算コストを削減するため,明示的正規化と暗黙的正規化を適応的に切り離す高速化アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-07-16T16:23:50Z)
• Globally Optimal Training of Neural Networks with Threshold Activation Functions [63.03759813952481]
  しきい値アクティベートを伴うディープニューラルネットワークの重み劣化正規化学習問題について検討した。 ネットワークの特定の層でデータセットを破砕できる場合に、簡易な凸最適化の定式化を導出する。
  論文  参考訳（メタデータ） (2023-03-06T18:59:13Z)
• Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
  本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。 この研究は、単一変換による周波数領域学習のための青写真を導入している。
  論文  参考訳（メタデータ） (2022-11-26T01:56:05Z)
• SiPRNet: End-to-End Learning for Single-Shot Phase Retrieval [8.820823270160695]
  畳み込みニューラルネットワーク(CNN)は、様々な画像再構成タスクにおいて重要な役割を果たしている。 本稿では,1つのフーリエ強度測定から信号を取得するために,SiPRNetという新しいCNN構造を設計する。 提案手法は、シングルショットマスクレス位相検索において、他のCNNおよび従来の最適化手法よりも一貫して優れている。
  論文  参考訳（メタデータ） (2022-05-23T16:24:52Z)
• Win the Lottery Ticket via Fourier Analysis: Frequencies Guided Network Pruning [50.232218214751455]
  最適ネットワークプルーニングは、数学的にはNPハード問題である非自明なタスクである。 本稿では,MBP(Magnitude-Based Pruning)方式について検討し,新しい視点から解析する。 また,新たな2段階プルーニング手法を提案し,その1段階はプルーニングネットワークのトポロジ的構造を取得し,もう1段階はプルーニングネットワークを再訓練し,キャパシティを回復させる。
  論文  参考訳（メタデータ） (2022-01-30T03:42:36Z)
• Functional Regularization for Reinforcement Learning via Learned Fourier Features [98.90474131452588]
  本稿では、入力を学習されたフーリエベースに埋め込むことにより、深層強化学習のための簡単なアーキテクチャを提案する。 その結果、状態ベースと画像ベースの両方のRLのサンプル効率が向上することがわかった。
  論文  参考訳（メタデータ） (2021-12-06T18:59:52Z)
• Factorized Fourier Neural Operators [77.47313102926017]
  Factorized Fourier Neural Operator (F-FNO) は偏微分方程式をシミュレートする学習法である。 我々は,数値解法よりも桁違いに高速に動作しながら,誤差率2%を維持していることを示す。
  論文  参考訳（メタデータ） (2021-11-27T03:34:13Z)
• Learning Frequency Domain Approximation for Binary Neural Networks [68.79904499480025]
  フーリエ周波数領域における符号関数の勾配を正弦関数の組み合わせを用いて推定し,BNNの訓練を行う。 いくつかのベンチマークデータセットとニューラルネットワークの実験により、この手法で学習したバイナリネットワークが最先端の精度を達成することが示されている。
  論文  参考訳（メタデータ） (2021-03-01T08:25:26Z)
• Solving Phase Retrieval with a Learned Reference [18.76940558836028]
  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。
  論文  参考訳（メタデータ） (2020-07-29T06:17:25Z)

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。