Fugu-MT 論文翻訳(概要): Regularization via deep generative models: an analysis point of view

論文の概要: Regularization via deep generative models: an analysis point of view

arxiv url: http://arxiv.org/abs/2101.08661v1
Date: Thu, 21 Jan 2021 15:04:57 GMT
ステータス: 処理完了
システム内更新日: 2021-03-21 07:59:47.238981
Title: Regularization via deep generative models: an analysis point of view
Title（参考訳）: 深部生成モデルによる正規化--解析的視点から
Authors: Thomas Oberlin and Mathieu Verm
Abstract要約: 本稿では, イメージングにおける逆問題(例えば, デブロアリングやインペインティング)を, 深部生成ニューラルネットワークを用いて正則化する新しい手法を提案する。多くの場合、我々の技術はパフォーマンスの明確な改善を実現し、より堅牢であるように思える。
参考スコア（独自算出の注目度）: 8.818465117061205
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: This paper proposes a new way of regularizing an inverse problem in imaging (e.g., deblurring or inpainting) by means of a deep generative neural network. Compared to end-to-end models, such approaches seem particularly interesting since the same network can be used for many different problems and experimental conditions, as soon as the generative model is suited to the data. Previous works proposed to use a synthesis framework, where the estimation is performed on the latent vector, the solution being obtained afterwards via the decoder. Instead, we propose an analysis formulation where we directly optimize the image itself and penalize the latent vector. We illustrate the interest of such a formulation by running experiments of inpainting, deblurring and super-resolution. In many cases our technique achieves a clear improvement of the performance and seems to be more robust, in particular with respect to initialization.
Abstract（参考訳）: 本稿では, イメージングにおける逆問題(例えば, デブロアリングやインペインティング)を, 深部生成ニューラルネットワークを用いて正則化する新しい手法を提案する。エンド・ツー・エンドのモデルと比較すると、生成モデルがデータに適合するとすぐに同じネットワークが様々な問題や実験条件に使用できるため、このようなアプローチは特に興味深いように見える。以前の研究では、潜在ベクトル上で推定を行い、その後デコーダを介して解を得る合成フレームワークを使用するように提案されている。そこで我々は,画像自体を直接最適化し,潜伏ベクトルをペナルティ化する解析式を提案する。インペイント,デブロアリング,超解像実験を行ない,そのような定式化の関心を述べる。多くの場合、我々の技術はパフォーマンスの明確な改善を実現し、特に初期化に関してより堅牢であるように思われる。