論文の概要: Model Adaptation for Inverse Problems in Imaging

• arxiv url: http://arxiv.org/abs/2012.00139v2
• Date: Mon, 12 Apr 2021 20:38:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-06 17:15:02.509292
• Title: Model Adaptation for Inverse Problems in Imaging
• Title（参考訳）: 画像の逆問題に対するモデル適応
• Authors: Davis Gilton, Gregory Ongie, Rebecca Willett
• Abstract要約: ディープニューラルネットワークは、イメージングにおける様々な逆問題にうまく適用されている。 本稿では,ネットワークをフォワードモデルの変化に適応させる2つの新しい手順を提案する。 これらの単純なモデル適応手法は、デブロアリング、超解像、アンアンサンプ画像再構成など、様々な逆問題において経験的成功を収めることを示す。
• 参考スコア（独自算出の注目度）: 14.945209750917483
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep neural networks have been applied successfully to a wide variety of inverse problems arising in computational imaging. These networks are typically trained using a forward model that describes the measurement process to be inverted, which is often incorporated directly into the network itself. However, these approaches are sensitive to changes in the forward model: if at test time the forward model varies (even slightly) from the one the network was trained for, the reconstruction performance can degrade substantially. Given a network trained to solve an initial inverse problem with a known forward model, we propose two novel procedures that adapt the network to a change in the forward model, even without full knowledge of the change. Our approaches do not require access to more labeled data (i.e., ground truth images). We show these simple model adaptation approaches achieve empirical success in a variety of inverse problems, including deblurring, super-resolution, and undersampled image reconstruction in magnetic resonance imaging.
• Abstract（参考訳）: ディープニューラルネットワークは、計算イメージングで生じる様々な逆問題に対してうまく適用されている。 これらのネットワークは通常、逆転する計測プロセスを記述するフォワードモデルを使用して訓練される。 しかし、これらのアプローチはフォワードモデルの変化に敏感であり、テスト時にネットワークがトレーニングしたモデルからフォワードモデルが少しでも変化する場合、再構成性能は大幅に低下する可能性がある。 既知のフォワードモデルで初期逆問題を解決するために訓練されたネットワークを考えると、その変更を十分に理解することなく、フォワードモデルの変化に適応する2つの新しいプロシージャを提案する。 我々のアプローチは、より多くのラベル付きデータ(すなわち、基底真理画像)にアクセスする必要はない。 これらの単純なモデル適応アプローチは,磁気共鳴イメージングにおけるデブラリング,超解像,アンサンプ画像再構成など,様々な逆問題において経験的成功をおさめている。

関連論文リスト

• Imaging Signal Recovery Using Neural Network Priors Under Uncertain Forward Model Parameters [0.7724713939814069]
  逆イメージング問題(IIP)は様々な用途で発生し、圧縮された測定値から画像の再構成が主な目的である。 本稿では,ニューラルネットワークを前に使用することで,一般的なIPソリューションと互換性のある新しいモーメント・アグリゲーション(MA)フレームワークを提案する。 理論的には、既知のフォワードモデルパラメータの下での再構成に類似した複雑さを持つMAフレームワークの収束を実証する。
  論文  参考訳（メタデータ） (2024-05-05T14:12:48Z)
• Mixture Manifold Networks: A Computationally Efficient Baseline for Inverse Modeling [7.891408798179181]
  汎用逆問題に対処する新しい手法を提案する。 近年の研究では、ディープラーニングによる顕著な結果が示されているが、モデルの性能と計算時間との間にはトレードオフがある。
  論文  参考訳（メタデータ） (2022-11-25T20:18:07Z)
• PatchNR: Learning from Small Data by Patch Normalizing Flow Regularization [57.37911115888587]
  正規化フローに基づく画像の逆問題に対する変分モデリングのための正規化器を提案する。 patchNRと呼ばれる我々の正規化器は、ごく少数の画像のパッチで学習したフローを正規化します。
  論文  参考訳（メタデータ） (2022-05-24T12:14:26Z)
• Convolutional Analysis Operator Learning by End-To-End Training of Iterative Neural Networks [3.6280929178575994]
  本稿では、反復ニューラルネットワークのエンドツーエンドトレーニングにより、畳み込みスペーシングフィルタを効率的に学習する方法を示す。 我々は,非カルテシアン2次元心血管MRI例に対するアプローチを検証し,得られたフィルタが,デカップリングプレトレーニングにより得られたものよりも,対応する再構成アルゴリズムに適していることを示した。
  論文  参考訳（メタデータ） (2022-03-04T07:32:16Z)
• Training Adaptive Reconstruction Networks for Blind Inverse Problems [0.0]
  本研究では,ネットワークをフォワード演算子のファミリーでトレーニングすることで,再構成品質を著しく向上させることなく適応性問題を解くことができることを示す。 実験には、感度推定とオフ共鳴効果を備えたMRI(MRI)による部分フーリエサンプリング問題、傾斜した形状のコンピュータ断層撮影(CT)、フレネル回折核による画像劣化などが含まれる。
  論文  参考訳（メタデータ） (2022-02-23T07:56:02Z)
• 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)
• The Importance of the Current Input in Sequence Modeling [0.0]
  入力と出力の間に直接接続を加えるという非常に単純なアイデアが、繰り返しモジュールをスキップすることで、予測精度が向上することを示す。 異なる問題に対する実験により、再帰的なネットワークへのこのような接続が常に改善されることが示されている。
  論文  参考訳（メタデータ） (2021-12-22T10:29:20Z)
• Deep Neural Networks are Surprisingly Reversible: A Baseline for Zero-Shot Inversion [90.65667807498086]
  本稿では、内部表現のみを与えられたトレーニングモデルへの入力を復元するゼロショット直接モデル逆変換フレームワークを提案する。 ImageNetの最新の分類モデルでは、20層以上の表現から元の224x224px画像を近似的に復元できることを実証的に示す。
  論文  参考訳（メタデータ） (2021-07-13T18:01:43Z)
• SIR: Self-supervised Image Rectification via Seeing the Same Scene from Multiple Different Lenses [82.56853587380168]
  本稿では、異なるレンズからの同一シーンの歪み画像の補正結果が同一であるべきという重要な知見に基づいて、新しい自己監督画像補正法を提案する。 我々は、歪みパラメータから修正画像を生成し、再歪み画像を生成するために、微分可能なワープモジュールを利用する。 本手法は,教師付きベースライン法や代表的最先端手法と同等あるいはそれ以上の性能を実現する。
  論文  参考訳（メタデータ） (2020-11-30T08:23:25Z)
• 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)
• On Robustness and Transferability of Convolutional Neural Networks [147.71743081671508]
  現代の深層畳み込みネットワーク(CNN)は、分散シフトの下で一般化しないとしてしばしば批判される。 現代画像分類CNNにおける分布外と転送性能の相互作用を初めて検討した。 トレーニングセットとモデルサイズを増大させることで、分散シフトロバスト性が著しく向上することがわかった。
  論文  参考訳（メタデータ） (2020-07-16T18:39:04Z)

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。