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: 翻訳完了
- 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。
関連論文リスト
- Fast constrained sampling in pre-trained diffusion models [77.21486516041391]
拡散モデルは、大規模な生成画像モデルの分野を支配してきた。
本研究では,大規模な事前学習拡散モデルにおける高速拘束サンプリングのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-10-24T14:52:38Z) - Convergence Properties of Score-Based Models for Linear Inverse Problems Using Graduated Optimisation [44.99833362998488]
本稿では,スコアベース生成モデル(SGM)を用いて逆問題の解法を提案する。
初期値とは無関係に,高Ms画像の復元が可能であることを示す。
ソースはGitHubで公開されている。
論文 参考訳（メタデータ） (2024-04-29T13:47:59Z) - Solving Linear Inverse Problems Provably via Posterior Sampling with
Latent Diffusion Models [98.95988351420334]
本稿では,事前学習した潜在拡散モデルを利用した線形逆問題の解法を初めて提案する。
線形モデル設定において,証明可能なサンプル回復を示すアルゴリズムを理論的に解析する。
論文 参考訳（メタデータ） (2023-07-02T17:21:30Z) - Variational Laplace Autoencoders [53.08170674326728]
変分オートエンコーダは、遅延変数の後部を近似するために、償却推論モデルを用いる。
完全分解ガウス仮定の限定的後部表現性に対処する新しい手法を提案する。
また、深部生成モデルのトレーニングのための変分ラプラスオートエンコーダ(VLAE)という一般的なフレームワークも提示する。
論文 参考訳（メタデータ） (2022-11-30T18:59:27Z) - Generative Adversarial Network (GAN) based Image-Deblurring [0.0]
スペクトル正則化手法の有効性を示し、スペクトルフィルタリング結果と正則化最適化の解とのリンクを指摘する。
画像の劣化のような不適切な問題に対して、最適化の目的は、我々の以前の知識をソリューションにエンコードする正規化項を含む。
ワッサーシュタイン生成逆数モデルの概念に基づき、正規化関数を学ぶためにCNNを訓練することができる。
論文 参考訳（メタデータ） (2022-08-24T15:46:09Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。
我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。
製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
論文 参考訳（メタデータ） (2022-06-23T14:16:30Z) - Learning Discriminative Shrinkage Deep Networks for Image Deconvolution [122.79108159874426]
本稿では,これらの用語を暗黙的にモデル化する識別的縮小関数を学習することで,効果的に非盲検デコンボリューション手法を提案する。
実験結果から,提案手法は最先端の手法に対して,効率と精度の点で好適に動作することがわかった。
論文 参考訳（メタデータ） (2021-11-27T12:12:57Z) - Conditional Variational Autoencoder for Learned Image Reconstruction [5.487951901731039]
本研究では,未知画像の後部分布を問合せ観測で近似する新しいフレームワークを開発する。
暗黙のノイズモデルと先行処理を処理し、データ生成プロセス(フォワード演算子)を組み込み、学習された再構成特性は異なるデータセット間で転送可能である。
論文 参考訳（メタデータ） (2021-10-22T10:02:48Z) - Deep Equilibrium Architectures for Inverse Problems in Imaging [14.945209750917483]
ディープニューラルネットワークによるイメージングにおける逆問題に対する最近の取り組みは、最適化手法の一定数の反復に触発されたアーキテクチャを使用している。
本稿では,再構成精度を4dB PSNRに向上させた,無限の繰り返しに対応する代替手法について述べる。
論文 参考訳（メタデータ） (2021-02-16T03:49:58Z) - Blind Image Restoration with Flow Based Priors [19.190289348734215]
未知の劣化を伴う盲点において、優れた先行性は依然として不可欠である。
本稿では, 正規化フローを用いて対象コンテンツの分布をモデル化し, 最大アフターリ(MAP)の定式化に先立ってこれを前もって用いることを提案する。
我々の知る限りでは、これは画像強調問題に先行する正規化フローを探求する最初の研究である。
論文 参考訳（メタデータ） (2020-09-09T21:40:11Z) - 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) - A Flexible Framework for Designing Trainable Priors with Adaptive
Smoothing and Game Encoding [57.1077544780653]
我々は、前方通過を非滑らかな凸最適化問題として解釈できるニューラルネットワーク層の設計とトレーニングのための一般的なフレームワークを紹介する。
グラフのノードに代表されるローカルエージェントによって解決され、正規化関数を介して相互作用する凸ゲームに焦点を当てる。
このアプローチは、訓練可能なエンドツーエンドのディープモデル内で、古典的な画像の事前使用を可能にするため、画像の問題を解決するために魅力的である。
論文 参考訳（メタデータ） (2020-06-26T08:34:54Z)
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。