論文の概要: Learned Block Iterative Shrinkage Thresholding Algorithm for
Photothermal Super Resolution Imaging
- arxiv url: http://arxiv.org/abs/2012.03547v2
- Date: Thu, 10 Dec 2020 14:15:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-21 02:40:46.789387
- Title: Learned Block Iterative Shrinkage Thresholding Algorithm for
Photothermal Super Resolution Imaging
- Title（参考訳）: フォトサーマル超解像イメージングのための学習ブロック反復収縮閾値決定アルゴリズム
- Authors: Samim Ahmadi, Jan Christian Hauffen, Linh K\"astner, Peter Jung,
Giuseppe Caire, Mathias Ziegler
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 52.42007686600479
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Block-sparse regularization is already well-known in active thermal imaging
and is used for multiple measurement based inverse problems. The main
bottleneck of this method is the choice of regularization parameters which
differs for each experiment. To avoid time-consuming manually selected
regularization parameter, we propose a learned block-sparse optimization
approach using an iterative algorithm unfolded into a deep neural network. More
precisely, we show the benefits of using a learned block iterative shrinkage
thresholding algorithm that is able to learn the choice of regularization
parameters. In addition, this algorithm enables the determination of a suitable
weight matrix to solve the underlying inverse problem. Therefore, in this paper
we present the algorithm and compare it with state of the art block iterative
shrinkage thresholding using synthetically generated test data and experimental
test data from active thermography for defect reconstruction. Our results show
that the use of the learned block-sparse optimization approach provides smaller
normalized mean square errors for a small fixed number of iterations than
without learning. Thus, this new approach allows to improve the convergence
speed and only needs a few iterations to generate accurate defect
reconstruction in photothermal super resolution imaging.
- Abstract（参考訳）: ブロックスパース正則化は熱イメージングにおいて既によく知られており、逆問題に基づく複数の測定に用いられている。
この方法の主なボトルネックは、実験ごとに異なる正規化パラメータを選択することである。
時間を要する手動で選択した正規化パラメータを避けるために,ディープニューラルネットワークに展開した反復アルゴリズムを用いた学習ブロックスパース最適化手法を提案する。
より正確には、正規化パラメータの選択を学習できる学習ブロック反復縮小しきい値アルゴリズムを使用することの利点を示す。
さらに、このアルゴリズムは、基礎となる逆問題を解くのに適切な重み行列の決定を可能にする。
そこで本論文では,本アルゴリズムを,人工的に生成した試験データと能動サーモグラフィによる欠陥復元実験データを用いて,アートブロック反復収縮閾値付けの状態と比較する。
この結果から,学習したブロックスパース最適化手法を用いることで,最小限の反復数に対する正規化平均二乗誤差が学習なしでより小さくなることがわかった。
したがって、この新しいアプローチは収束速度を向上し、光熱分解能画像における正確な欠陥再構成を生成するために、数回の反復しか必要としない。
関連論文リスト
- Why do we regularise in every iteration for imaging inverse problems? [0.29792392019703945]
正則化は、画像逆問題を解決する反復法で一般的に用いられる。
ProxSkipは正規化ステップをランダムにスキップし、収束に影響を与えることなく反復アルゴリズムの計算時間を短縮する。
論文 参考訳（メタデータ） (2024-11-01T15:50:05Z) - A Sample Efficient Alternating Minimization-based Algorithm For Robust Phase Retrieval [56.67706781191521]
そこで本研究では,未知の信号の復元を課題とする,ロバストな位相探索問題を提案する。
提案するオラクルは、単純な勾配ステップと外れ値を用いて、計算学的スペクトル降下を回避している。
論文 参考訳（メタデータ） (2024-09-07T06:37:23Z) - Dense Visual Odometry Using Genetic Algorithm [0.0]
本稿では,RGB-D画像の系列を用いた視覚計測のための新しいアルゴリズムを提案する。
提案した反復遺伝的アルゴリズムは粒子を用いて最適な動きを推定する。
大規模な画像に対して,革新的なアルゴリズムの有効性を実証する。
論文 参考訳（メタデータ） (2023-11-10T16:09:01Z) - Fast Screening Rules for Optimal Design via Quadratic Lasso
Reformulation [0.135975510645475]
本研究は, 安全スクリーニングのルールを導出し, インテリジェンスサンプルを廃棄する。
新しいテストは、特に高次元のパラメータ空間に関わる問題に対して、より高速に計算できる。
本稿では,ラッソ法の正規化経路を計算するホモトピーアルゴリズムを,正方形 $ell_$-penalty に対して再パラメータ化する方法を示す。
論文 参考訳（メタデータ） (2023-10-13T08:10:46Z) - An Optimization-based Deep Equilibrium Model for Hyperspectral Image
Deconvolution with Convergence Guarantees [71.57324258813675]
本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。
新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。
導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
論文 参考訳（メタデータ） (2023-06-10T08:25:16Z) - Low-rank extended Kalman filtering for online learning of neural
networks from streaming data [71.97861600347959]
非定常データストリームから非線形関数のパラメータを推定するための効率的なオンライン近似ベイズ推定アルゴリズムを提案する。
この方法は拡張カルマンフィルタ (EKF) に基づいているが、新しい低ランク+斜角行列分解法を用いている。
変分推論に基づく手法とは対照的に,本手法は完全に決定論的であり,ステップサイズチューニングを必要としない。
論文 参考訳（メタデータ） (2023-05-31T03:48:49Z) - Optimizing CT Scan Geometries With and Without Gradients [7.788823739816626]
勾配に基づく最適化アルゴリズムが、勾配のないアルゴリズムの代替となる可能性が示されている。
勾配に基づくアルゴリズムは、捕捉範囲と自由パラメータの数に対するロバスト性の観点から、勾配のないアルゴリズムに匹敵する一方で、かなり高速に収束する。
論文 参考訳（メタデータ） (2023-02-13T10:44:41Z) - Fast Multi-grid Methods for Minimizing Curvature Energy [6.882141405929301]
平均曲率とガウス曲率エネルギー関数を最小化するための高速マルチグリッドアルゴリズムを提案する。
我々の定式化では人工パラメータは導入されず、提案アルゴリズムの堅牢性を保証する。
画像のテクスチャを復元する能力を実証するために,画像復調とCT再構成の両問題に対して数値実験を行った。
論文 参考訳（メタデータ） (2022-04-17T04:34:38Z) - End-to-end Interpretable Learning of Non-blind Image Deblurring [102.75982704671029]
非ブラインド画像のデブロワーリングは、通常、対応するシャープ画像の勾配に関する自然の先行によって正規化される線形最小二乗問題として定式化される。
本稿では,(既知の)ぼかしと自然像前のカーネルの逆フィルタを用いて,リチャードソン解法を事前条件として提案する。
論文 参考訳（メタデータ） (2020-07-03T15:45:01Z) - Accelerated Message Passing for Entropy-Regularized MAP Inference [89.15658822319928]
離散値のランダムフィールドにおけるMAP推論の最大化は、機械学習の基本的な問題である。
この問題の難しさから、特殊メッセージパッシングアルゴリズムの導出には線形プログラミング(LP)緩和が一般的である。
古典的加速勾配の根底にある手法を活用することにより,これらのアルゴリズムを高速化するランダム化手法を提案する。
論文 参考訳（メタデータ） (2020-07-01T18:43:32Z)
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。