論文の概要: Adversarially learned iterative reconstruction for imaging inverse problems

• arxiv url: http://arxiv.org/abs/2103.16151v1
• Date: Tue, 30 Mar 2021 08:18:25 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-31 15:05:50.572713
• Title: Adversarially learned iterative reconstruction for imaging inverse problems
• Title（参考訳）: 画像逆問題に対する逆学習反復再構成
• Authors: Subhadip Mukherjee, Ozan \"Oktem, and Carola-Bibiane Sch\"onlieb
• Abstract要約: 教師付き学習のための接地真実/測定ペアの大規模なアンサンブルを得ることは、しばしば不可能である。 最大相似原理に動機づけられ,不適切な逆問題を解くための教師なし学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 2.5138572116292686
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In numerous practical applications, especially in medical image reconstruction, it is often infeasible to obtain a large ensemble of ground-truth/measurement pairs for supervised learning. Therefore, it is imperative to develop unsupervised learning protocols that are competitive with supervised approaches in performance. Motivated by the maximum-likelihood principle, we propose an unsupervised learning framework for solving ill-posed inverse problems. Instead of seeking pixel-wise proximity between the reconstructed and the ground-truth images, the proposed approach learns an iterative reconstruction network whose output matches the ground-truth in distribution. Considering tomographic reconstruction as an application, we demonstrate that the proposed unsupervised approach not only performs on par with its supervised variant in terms of objective quality measures but also successfully circumvents the issue of over-smoothing that supervised approaches tend to suffer from. The improvement in reconstruction quality comes at the expense of higher training complexity, but, once trained, the reconstruction time remains the same as its supervised counterpart.
• Abstract（参考訳）: 多くの実践的応用、特に医用画像再構成において、教師あり学習のための接地/測定ペアの大規模なアンサンブルを得ることは不可能である。 したがって、パフォーマンスにおける教師付きアプローチと競合する教師なし学習プロトコルを開発することが不可欠である。 最大相似原理に動機づけられ,不適切な逆問題を解くための教師なし学習フレームワークを提案する。 提案手法では,再構成画像と接地構造画像との画素間距離を求める代わりに,その出力が分布の接地構造と一致する反復的再構成ネットワークを学習する。 トモグラフィーの再構築を応用として, 提案手法は客観的品質対策の観点から, 教師なしアプローチと同等に機能するだけでなく, 教師付きアプローチが苦しむような過度なスムーシングの問題を回避できることを示した。 再建の質の向上は、訓練の複雑さを犠牲にして行われるが、訓練が終わると、再建の時間は監督されるものと同じである。

関連論文リスト

• Context Enhancement with Reconstruction as Sequence for Unified Unsupervised Anomaly Detection [68.74469657656822]
  非教師付き異常検出(AD)は、通常のサンプルのみを用いて堅牢な検出モデルを訓練することを目的としている。 最近の研究は、すべてのクラスに対して1つのモデルのみをトレーニングする、統一された教師なしAD設定に焦点を当てている。 本稿では,特徴再構成時の文脈対応性を高める新しいRAS法を提案する。
  論文  参考訳（メタデータ） (2024-09-10T07:37:58Z)
• Multi-feature Reconstruction Network using Crossed-mask Restoration for Unsupervised Industrial Anomaly Detection [4.742650815342744]
  産業生産における品質検査には, 教師なし異常検出が重要である。 本稿では,クロスマスク復元を用いた多機能再構成ネットワークMFRNetを提案する。 提案手法は,4つの公開データセットと1つの自作データセットにおいて,他の最先端のデータセットと高い競争力,あるいは大幅に上回っている。
  論文  参考訳（メタデータ） (2024-04-20T05:13:56Z)
• Analysis of Deep Image Prior and Exploiting Self-Guidance for Image Reconstruction [13.277067849874756]
  DIPがアンダーサンプドイメージング計測からどのように情報を回収するかを検討する。 ネットワーク重みと入力の両方を同時に最適化する自己駆動型再構築プロセスを導入する。 提案手法は,ネットワーク入力画像と再構成画像の両方の堅牢かつ安定した関節推定を可能にする,新しいデノイザ正規化項を組み込んだものである。
  論文  参考訳（メタデータ） (2024-02-06T15:52:23Z)
• Robust Single Image Dehazing Based on Consistent and Contrast-Assisted Reconstruction [95.5735805072852]
  画像復調モデルのロバスト性を改善するための新しい密度変分学習フレームワークを提案する。 具体的には、デハジングネットワークは、一貫性の規則化されたフレームワークの下で最適化されている。 我々の手法は最先端のアプローチを大きく上回っている。
  論文  参考訳（メタデータ） (2022-03-29T08:11:04Z)
• Unsupervised Knowledge-Transfer for Learned Image Reconstruction [4.183935970343543]
  ベイジアンフレームワーク内での反復的再構築を学習するための,教師なしの知識伝達パラダイムを新たに開発する。 提案手法は,視覚だけでなく,PSNRやSSIMの量的にも再現性を大幅に向上することを示す。
  論文  参考訳（メタデータ） (2021-07-06T12:19:16Z)
• End-to-end reconstruction meets data-driven regularization for inverse problems [2.800608984818919]
  本稿では,不適切な逆問題に対するエンド・ツー・エンドの再構成演算子を学習するための教師なしアプローチを提案する。 提案手法は,古典的変分フレームワークと反復的アンローリングを組み合わせたものである。 我々は,X線CT(Computerd tomography)の例で,最先端の教師なし手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-07T12:05:06Z)
• Return-Based Contrastive Representation Learning for Reinforcement Learning [126.7440353288838]
  そこで本研究では,学習表現に異なる戻り値を持つ状態-動作ペアを判別させる新しい補助タスクを提案する。 アルゴリズムはatariゲームやdeepmindコントロールスイートの複雑なタスクのベースラインを上回っています。
  論文  参考訳（メタデータ） (2021-02-22T13:04:18Z)
• Shared Prior Learning of Energy-Based Models for Image Reconstruction [69.72364451042922]
  本研究では,地中真理データを含まないトレーニングに特化して設計された画像再構成のための新しい学習ベースフレームワークを提案する。 基底真理データがない場合には、損失関数をパッチベースのワッサーシュタイン関数に変更する。 共用事前学習では、上記の最適制御問題と正規化器の共用学習パラメータを同時に最適化する。
  論文  参考訳（メタデータ） (2020-11-12T17:56:05Z)
• Supervised Learning of Sparsity-Promoting Regularizers for Denoising [13.203765985718205]
  本稿では,画像復調のための疎度促進型正規化器の教師あり学習法を提案する。 実験の結果,提案手法はよく知られた正規化器よりも優れた演算子を学習できることがわかった。
  論文  参考訳（メタデータ） (2020-06-09T21:38:05Z)
• Deep Face Super-Resolution with Iterative Collaboration between Attentive Recovery and Landmark Estimation [92.86123832948809]
  本稿では,2つの繰り返しネットワーク間の反復的協調による深層面超解像(FSR)手法を提案する。 各繰り返しステップにおいて、リカバリブランチは、ランドマークの事前の知識を利用して、高品質な画像を生成する。 新しい注意融合モジュールはランドマークマップのガイダンスを強化するために設計されている。
  論文  参考訳（メタデータ） (2020-03-29T16:04:48Z)
• Single image reflection removal via learning with multi-image constraints [50.54095311597466]
  本稿では、上記のアプローチの利点を組み合わせ、その欠点を克服する新しい学習ベースソリューションを提案する。 提案アルゴリズムはディープニューラルネットワークを学習して、複数の入力画像間で強化されたジョイント制約でターゲットを最適化する。 我々のアルゴリズムは実画像上でリアルタイムかつ最先端の反射除去性能で動作する。
  論文  参考訳（メタデータ） (2019-12-08T06:10:49Z)

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。