論文の概要: An Interpretation of Regularization by Denoising and its Application
with the Back-Projected Fidelity Term
- arxiv url: http://arxiv.org/abs/2101.11599v1
- Date: Wed, 27 Jan 2021 18:45:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-01 19:16:38.015668
- Title: An Interpretation of Regularization by Denoising and its Application
with the Back-Projected Fidelity Term
- Title(参考訳): 雑音化による正規化の解釈と逆投影忠実性項への応用
- Authors: Einav Yogev-Ofer, Tom Tirer, Raja Giryes
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 55.34375605313277
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The vast majority of image recovery tasks are ill-posed problems. As such,
methods that are based on optimization use cost functions that consist of both
fidelity and prior (regularization) terms. A recent line of works imposes the
prior by the Regularization by Denoising (RED) approach, which exploits the
good performance of existing image denoising engines. Yet, the relation of RED
to explicit prior terms is still not well understood, as previous work requires
too strong assumptions on the denoisers. In this paper, we make two
contributions. First, we show that the RED gradient can be seen as a
(sub)gradient of a prior function--but taken at a denoised version of the
point. As RED is typically applied with a relatively small noise level, this
interpretation indicates a similarity between RED and traditional gradients.
This leads to our second contribution: We propose to combine RED with the
Back-Projection (BP) fidelity term rather than the common Least Squares (LS)
term that is used in previous works. We show that the advantages of BP over LS
for image deblurring and super-resolution, which have been demonstrated for
traditional gradients, carry on to the RED approach.
- Abstract(参考訳): 画像復元タスクの大部分は、不適切な問題である。
したがって、最適化に基づく方法は、忠実度と事前(正規化)項の両方からなるコスト関数を使用する。
最近の一連の作業は、既存の画像デノゲーションエンジンの優れたパフォーマンスを活用するRED(Regularization by Denoising)アプローチによって、事前を強制している。
しかし、REDと明示的な事前条件との関係はまだよく理解されていない。
本稿では,二つの貢献を述べる。
まず、赤の勾配は、前の関数の(サブ)勾配と見なすことができるが、その点の分断されたバージョンで取ることができることを示す。
REDは通常比較的小さい騒音レベルで適用されるので、この解釈はREDと従来の勾配の間の類似性を示します。
RED と Back-Projection (BP) の忠実度という用語を、以前の作品で使われている一般的な Least Squares (LS) 用語ではなく組み合わせることを提案します。
従来のグラデーションに対して実証された画像デブレーションと超解像のための BP の LS 上の利点は、RED アプローチに続きます。
関連論文リスト
- Contourlet Refinement Gate Framework for Thermal Spectrum Distribution Regularized Infrared Image Super-Resolution [54.293362972473595]
画像超解像(SR)は、高解像度(HR)画像を低解像度(LR)画像から再構成することを目的としている。
SRタスクに対処する現在のアプローチは、RGB画像の特徴を抽出するか、同様の劣化パターンを仮定するものである。
スペクトル分布の忠実さを保ちつつ、赤外線変調特性を復元するコントゥーレット改質ゲートフレームワークを提案する。
論文 参考訳(メタデータ) (2024-11-19T14:24:03Z) - Latent Multi-Relation Reasoning for GAN-Prior based Image
Super-Resolution [61.65012981435095]
LARENはグラフベースの非絡み合いであり、階層的マルチリレーショナル推論によってより優れた非絡み合い空間を構築する。
我々は、LARENが優れた大因子画像SRを実現し、複数のベンチマークで常に最先端の性能を発揮することを示す。
論文 参考訳(メタデータ) (2022-08-04T19:45:21Z) - Online Deep Equilibrium Learning for Regularization by Denoising [20.331171081002957]
Plug-and-Play Equilibrium Priors (メモリ)とRegularization by Denoising (RED)は、固定点の計算によって逆画像問題を解決するために広く使われているフレームワークである。
我々は,測定総数に基づいてDEC/REDの効率を向上させるための新しい戦略としてODERを提案する。
以上の結果から,ODERによるトレーニング/テストの複雑さが3つの異なる画像応用において改善する可能性が示唆された。
論文 参考訳(メタデータ) (2022-05-25T21:06:22Z) - 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) - 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) - A Contrastive Learning Approach for Training Variational Autoencoder
Priors [137.62674958536712]
変分オートエンコーダ(VAE)は、多くの領域で応用される強力な可能性に基づく生成モデルの一つである。
VAEsが生成性に乏しいことの1つの説明は、事前の分布が集合の近似的な後部と一致しないという、事前の穴の問題である。
本研究では, 基底分布の積と再重み付け係数によって定義されるエネルギーベースの事前定義を行い, 基底を集合体後部へ近づけるようにした。
論文 参考訳(メタデータ) (2020-10-06T17:59:02Z) - Async-RED: A Provably Convergent Asynchronous Block Parallel Stochastic
Method using Deep Denoising Priors [31.773305606551197]
Denoising (RED) による正規化は、画像の先行として高度な denoiser を統合することで、逆問題を解決するための最近開発されたフレームワークである。
本稿では,非同期並列処理を実現する非同期RED(ASYNC-RED)アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-10-03T23:55:36Z) - 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) - Regularization by Denoising via Fixed-Point Projection (RED-PRO) [34.89374374708481]
画像処理では、Denoising (RED) と Plug-and-Play Prior (RED) による正規化が使用される。
どちらも様々な回復作業における最先端の結果を示しているが、理論上の正当化は不完全である。
論文 参考訳(メタデータ) (2020-08-01T09:35:22Z) - The Power of Triply Complementary Priors for Image Compressive Sensing [89.14144796591685]
本稿では,一対の相補的な旅先を含むLRD画像モデルを提案する。
次に、画像CSのためのRDモデルに基づく新しいハイブリッド・プラグイン・アンド・プレイ・フレームワークを提案する。
そこで,提案したH-based image CS問題の解法として,単純で効果的なアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-05-16T08:17:44Z)
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。