論文の概要: Joint Reconstruction and Calibration using Regularization by Denoising
- arxiv url: http://arxiv.org/abs/2011.13391v1
- Date: Thu, 26 Nov 2020 17:05:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-20 12:15:29.970930
- Title: Joint Reconstruction and Calibration using Regularization by Denoising
- Title（参考訳）: 正則化による関節再建と校正
- Authors: Mingyang Xie, Yu Sun, Jiaming Liu, Brendt Wohlberg, and Ulugbek S.
Kamilov
- Abstract要約: Denoising(RED)による正規化は、denoiserとして指定された事前設定を使用することで、逆問題を解決するためのフレームワークである。
そこで我々は,未知画像の再構成とともに測定者の共同校正を可能にするCalibrated RED (Cal-RED) と呼ばれる新しい手法を提案する。
- 参考スコア（独自算出の注目度）: 28.78403794861657
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Regularization by denoising (RED) is a broadly applicable framework for
solving inverse problems by using priors specified as denoisers. While RED has
been shown to provide state-of-the-art performance in a number of applications,
existing RED algorithms require exact knowledge of the measurement operator
characterizing the imaging system, limiting their applicability in problems
where the measurement operator has parametric uncertainties. We propose a new
method, called Calibrated RED (Cal-RED), that enables joint calibration of the
measurement operator along with reconstruction of the unknown image. Cal-RED
extends the traditional RED methodology to imaging problems that require the
calibration of the measurement operator. We validate Cal-RED on the problem of
image reconstruction in computerized tomography (CT) under perturbed projection
angles. Our results corroborate the effectiveness of Cal-RED for joint
calibration and reconstruction using pre-trained deep denoisers as image
priors.
- Abstract（参考訳）: 正則化(regularization by denoising, red)は、逆問題を解くための広く適用可能なフレームワークである。
REDは、多くのアプリケーションで最先端のパフォーマンスを提供することが示されているが、既存のREDアルゴリズムは、イメージングシステムを特徴付ける計測演算子の正確な知識を必要とし、測定演算子がパラメトリック不確実性を持つ問題に適用性を制限する。
そこで我々は,未知画像の再構成とともに測定者の共同校正を可能にするCalibrated RED (Cal-RED) と呼ばれる新しい手法を提案する。
cal-redは、従来の赤い方法論を、測定オペレータのキャリブレーションを必要とするイメージング問題にまで拡張している。
コンピュータ断層撮影(CT)における画像再構成問題に対するCal-REDの有効性を検討した。
画像プリエントとして事前訓練した深部ディノイザを用いた共同校正および再構成におけるcal-redの有効性について検討した。
関連論文リスト
- JPEG Artifact Correction using Denoising Diffusion Restoration Models [110.1244240726802]
本稿では,DDRM(Denoising Diffusion Restoration Models)に基づいて,非線形逆問題の解法を提案する。
我々は、DDRMで使用される擬逆演算子を活用し、この概念を他の測度演算子に一般化する。
論文 参考訳（メタデータ） (2022-09-23T23:47:00Z) - Learning Sparsity-Promoting Regularizers using Bilevel Optimization [9.18465987536469]
本稿では,信号や画像の識別のための疎結合型正規化器の教師あり学習法を提案する。
構造化された1D信号と自然画像を用いて実験したところ,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） (2022-07-18T20:50:02Z) - Monotonically Convergent Regularization by Denoising [19.631197002314305]
デノナイズ(RED)による正規化は、画像のデノナイザを画像先行として活用することで、逆問題を解決するための広く使われているフレームワークである。
最近の研究は、事前訓練されたディープニューラルネットをデノイザーとして使用した多くのイメージングアプリケーションにおいて、REDの最先端性能を報告している。
この研究は、ディープ・デノゲーションの非拡張性を必要としない新しいモノトーンRED(MRED)アルゴリズムを開発することでこの問題に対処する。
論文 参考訳（メタデータ） (2022-02-10T11:32:41Z) - 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) - Unsupervised PET Reconstruction from a Bayesian Perspective [12.512270202705404]
DeepREDはDIPと正規化を組み合わせた典型的な表現である(RED)
本稿では,ベイズ的な視点からDeepREDを活用して,教師付き情報や補助情報のない単一劣化したシングラムからPET画像の再構成を行う。
論文 参考訳（メタデータ） (2021-10-29T06:32:21Z) - How to Calibrate Your Event Camera [58.80418612800161]
画像再構成を用いた汎用イベントカメラキャリブレーションフレームワークを提案する。
ニューラルネットワークに基づく画像再構成は,イベントカメラの内在的・外在的キャリブレーションに適していることを示す。
論文 参考訳（メタデータ） (2021-05-26T07:06:58Z) - An Interpretation of Regularization by Denoising and its Application
with the Back-Projected Fidelity Term [55.34375605313277]
RED勾配は以前の関数の(部分)階調と見なすことができるが、その点の分極バージョンで考えることができる。
本稿では, RED と Back-Projection (BP) のフィデリティ項を組み合わせることを提案する。
論文 参考訳（メタデータ） (2021-01-27T18:45:35Z) - Learned Block Iterative Shrinkage Thresholding Algorithm for
Photothermal Super Resolution Imaging [52.42007686600479]
深層ニューラルネットワークに展開する反復アルゴリズムを用いて,学習したブロックスパース最適化手法を提案する。
本稿では、正規化パラメータの選択を学ぶことができる学習ブロック反復収縮しきい値アルゴリズムを使用することの利点を示す。
論文 参考訳（メタデータ） (2020-12-07T09:27:16Z) - ENSURE: A General Approach for Unsupervised Training of Deep Image
Reconstruction Algorithms [29.864637081333086]
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。
論文 参考訳（メタデータ） (2020-10-20T21:18:33Z) - 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)
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。