論文の概要: Learning Multiscale Convolutional Dictionaries for Image Reconstruction
- arxiv url: http://arxiv.org/abs/2011.12815v3
- Date: Thu, 19 May 2022 08:06:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-21 02:39:27.085049
- Title: Learning Multiscale Convolutional Dictionaries for Image Reconstruction
- Title（参考訳）: 画像再構成のためのマルチスケール畳み込み辞書の学習
- Authors: Tianlin Liu, Anadi Chaman, David Belius, and Ivan Dokmani\'c
- Abstract要約: 畳み込みニューラルネットワーク(CNN)は、画像逆問題の解決に非常に成功した。
既存の畳み込みスパース符号化(CSC)モデルは、競合する逆問題において主要なCNNの性能を損なう。
性能ギャップを埋めるために,複数スケールの畳み込み辞書構造を提案する。
提案するマルチスケール辞書を標準のCSCフレームワークに組み込むことで,最先端のCNNと競合する性能が得られることを示す。
- 参考スコア（独自算出の注目度）: 28.27195303823472
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Convolutional neural networks (CNNs) have been tremendously successful in
solving imaging inverse problems. To understand their success, an effective
strategy is to construct simpler and mathematically more tractable
convolutional sparse coding (CSC) models that share essential ingredients with
CNNs. Existing CSC methods, however, underperform leading CNNs in challenging
inverse problems. We hypothesize that the performance gap may be attributed in
part to how they process images at different spatial scales: While many CNNs
use multiscale feature representations, existing CSC models mostly rely on
single-scale dictionaries. To close the performance gap, we thus propose a
multiscale convolutional dictionary structure. The proposed dictionary
structure is derived from the U-Net, arguably the most versatile and widely
used CNN for image-to-image learning problems. We show that incorporating the
proposed multiscale dictionary in an otherwise standard CSC framework yields
performance competitive with state-of-the-art CNNs across a range of
challenging inverse problems including CT and MRI reconstruction. Our work thus
demonstrates the effectiveness and scalability of the multiscale CSC approach
in solving challenging inverse problems.
- Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)は、画像逆問題の解決に非常に成功した。
彼らの成功を理解するための効果的な戦略は、cnnと必須成分を共有するよりシンプルで数学的に扱いやすい畳み込み型スパースコーディング(csc)モデルを構築することである。
しかし、既存のCSC手法は、逆問題において主要なCNNの性能を損なう。
多くのCNNではマルチスケールの特徴表現を使用しているが、既存のCSCモデルは主として単一スケールの辞書に依存している。
そこで,性能ギャップを解消するために,多スケール畳み込み辞書構造を提案する。
提案する辞書構造は、画像から画像への学習問題に対して最も多彩で広く使用されるcnnであるu-netに由来する。
提案したマルチスケール辞書を標準のCSCフレームワークに組み込むことで,CTやMRIの再構成など,さまざまな課題において最先端のCNNと競合する性能が得られることを示す。
そこで本研究では,逆問題に対するマルチスケールCSC手法の有効性と拡張性を示す。
関連論文リスト
- MsDC-DEQ-Net: Deep Equilibrium Model (DEQ) with Multi-scale Dilated
Convolution for Image Compressive Sensing (CS) [0.0]
圧縮センシング(CS)は、従来のサンプリング法よりも少ない測定値を用いてスパース信号の回復を可能にする技術である。
我々はCSを用いた自然画像再構成のための解釈可能かつ簡潔なニューラルネットワークモデルを構築した。
MsDC-DEQ-Netと呼ばれるこのモデルは、最先端のネットワークベースの手法と比較して、競争力のある性能を示す。
論文 参考訳（メタデータ） (2024-01-05T16:25:58Z) - SO(2) and O(2) Equivariance in Image Recognition with
Bessel-Convolutional Neural Networks [63.24965775030674]
この研究はベッセル畳み込みニューラルネットワーク(B-CNN)の開発を示す
B-CNNは、ベッセル関数に基づく特定の分解を利用して、画像とフィルタの間のキー操作を変更する。
他の手法と比較して,B-CNNの性能を評価するために検討を行った。
論文 参考訳（メタデータ） (2023-04-18T18:06:35Z) - Semantics-Aware Dynamic Localization and Refinement for Referring Image
Segmentation [102.25240608024063]
画像の参照は、言語表現からのイメージセグメントを参照する。
そこで我々は,局所化中心からセグメンテーション言語へ移行するアルゴリズムを開発した。
比較すると,本手法はより汎用的で有効である。
論文 参考訳（メタデータ） (2023-03-11T08:42:40Z) - Adaptive Convolutional Dictionary Network for CT Metal Artifact
Reduction [62.691996239590125]
本稿では,金属人工物削減のための適応畳み込み辞書ネットワーク(ACDNet)を提案する。
我々のACDNetは、トレーニングデータを介して、アーティファクトフリーCT画像の事前を自動で学習し、入力されたCT画像ごとに表現カーネルを適応的に調整することができる。
本手法は,モデルに基づく手法の明確な解釈可能性を継承し,学習に基づく手法の強力な表現能力を維持する。
論文 参考訳（メタデータ） (2022-05-16T06:49:36Z) - CTCNet: A CNN-Transformer Cooperation Network for Face Image
Super-Resolution [64.06360660979138]
超解像課題に対する効率的なCNN-Transformer Cooperation Network (CTCNet)を提案する。
本稿ではまず,FSAUとTransformerブロックから構成されるLGCM(Local-Global Feature Cooperation Module)を考案した。
次に、エンコードされた機能を強化するために、効率的な機能リファインメントモジュール(FRM)を設計する。
論文 参考訳（メタデータ） (2022-04-19T06:38:29Z) - An End-To-End-Trainable Iterative Network Architecture for Accelerated
Radial Multi-Coil 2D Cine MR Image Reconstruction [4.233498905999929]
我々は,複数のレシーバコイルを用いた加速2次元放射状シネMRIの画像再構成のためのCNNアーキテクチャを提案する。
提案手法を学習的・非学習的正規化手法と比較し,提案手法を他のよく知られた再構築手法と比較する。
論文 参考訳（メタデータ） (2021-02-01T11:42:04Z) - The Mind's Eye: Visualizing Class-Agnostic Features of CNNs [92.39082696657874]
本稿では,特定のレイヤの最も情報性の高い特徴を表現した対応する画像を作成することにより,画像の集合を視覚的に解釈する手法を提案する。
本手法では, 生成ネットワークを必要とせず, 元のモデルに変更を加えることなく, デュアルオブジェクトのアクティベーションと距離損失を利用する。
論文 参考訳（メタデータ） (2021-01-29T07:46:39Z) - Convolutional Neural Networks for Multispectral Image Cloud Masking [7.812073412066698]
畳み込みニューラルネットワーク(CNN)は多くの画像分類タスクの最先端技術であることが証明されている。
Proba-Vマルチスペクトル画像のクラウドマスキングにおける異なるCNNアーキテクチャの利用について検討する。
論文 参考訳（メタデータ） (2020-12-09T21:33:20Z) - ACDC: Weight Sharing in Atom-Coefficient Decomposed Convolution [57.635467829558664]
我々は,CNNにおいて,畳み込みカーネル間の構造正則化を導入する。
我々はCNNがパラメータや計算量を劇的に減らして性能を維持していることを示す。
論文 参考訳（メタデータ） (2020-09-04T20:41:47Z) - On the unreasonable effectiveness of CNNs [7.673853485227739]
畳み込みニューラルネットワーク(CNN)を用いた深層学習法は、事実上全ての画像問題に適用されている。
画像と画像の問題を解決するためのベースラインCNNの能力に上限を付けるために、我々は広く使われている標準オフザシェルフネットワークアーキテクチャ(U-Net)をノイズデータからXOR復号化の「逆問題」に適用し、許容可能な結果を示した。
論文 参考訳（メタデータ） (2020-07-29T11:16:20Z) - When to Use Convolutional Neural Networks for Inverse Problems [40.60063929073102]
本稿では,畳み込みニューラルネットワークを,畳み込みスパース符号問題に対する近似解とみなすことができることを示す。
ある種の逆問題に対して、CNN近似は性能の低下につながると論じる。
具体的には、JPEGアーチファクトの低減と非剛性軌道再構成をCNNの逆問題として同定する。
論文 参考訳（メタデータ） (2020-03-30T21:08:14Z)
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。