論文の概要: ICON: Learning Regular Maps Through Inverse Consistency

• arxiv url: http://arxiv.org/abs/2105.04459v1
• Date: Mon, 10 May 2021 15:52:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-11 14:48:58.805406
• Title: ICON: Learning Regular Maps Through Inverse Consistency
• Title（参考訳）: ICON: 逆一貫性による正規マップ学習
• Authors: Hastings Greer, Roland Kwitt, Francois-Xavier Vialard, Marc Niethammer
• Abstract要約: 画像登録の計算など空間変換の正則性をもたらすものについて検討する。 深いネットワークと逆整合損失とランダム化されたオフグリッド収量は、ほぼ微分同相の空間変換でよく振る舞う。 このアプローチの単純さにもかかわらず、実験は合成データと実データの両方において、明示的な正規化子と競合的な登録性能を慎重に調整せずに正規写像を得ることができるという説得力のある証拠を示している。
• 参考スコア（独自算出の注目度）: 19.27928605302463
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning maps between data samples is fundamental. Applications range from representation learning, image translation and generative modeling, to the estimation of spatial deformations. Such maps relate feature vectors, or map between feature spaces. Well-behaved maps should be regular, which can be imposed explicitly or may emanate from the data itself. We explore what induces regularity for spatial transformations, e.g., when computing image registrations. Classical optimization-based models compute maps between pairs of samples and rely on an appropriate regularizer for well-posedness. Recent deep learning approaches have attempted to avoid using such regularizers altogether by relying on the sample population instead. We explore if it is possible to obtain spatial regularity using an inverse consistency loss only and elucidate what explains map regularity in such a context. We find that deep networks combined with an inverse consistency loss and randomized off-grid interpolation yield well behaved, approximately diffeomorphic, spatial transformations. Despite the simplicity of this approach, our experiments present compelling evidence, on both synthetic and real data, that regular maps can be obtained without carefully tuned explicit regularizers and competitive registration performance.
• Abstract（参考訳）: データサンプル間のマップの学習は基本です。 応用は、表現学習、画像翻訳、生成モデリングから空間的変形の推定まで様々である。 このような写像は特徴ベクトル、あるいは特徴空間間の写像を関連付ける。 適切に処理されたマップは正規であり、明示的に課せられるか、データ自身から発散する可能性がある。 画像登録の計算など空間変換の正則性をもたらすものについて検討する。 古典的な最適化に基づくモデルは、サンプルペア間のマップを計算し、適切な正規化子に依存する。 近年の深層学習のアプローチは、サンプル人口に依存して、そのような正規化器を全く使わないよう試みられている。 逆整合損失のみを用いて空間正則性を得ることができ、そのような文脈でマップ正則性を説明するものを解明できるかを検討する。 ディープネットワークと逆一貫性損失とランダムなオフグリッド補間が組み合わさって、概2相の空間変換がうまく振る舞うことが判明した。 このアプローチの単純さにもかかわらず、我々の実験は、合成データと実データの両方において、明示的な正規化器と競合登録性能を慎重に調整せずに正則写像を得ることができることを示す。

関連論文リスト

• Disentangled Representation Learning with the Gromov-Monge Gap [65.73194652234848]
  乱れのないデータから歪んだ表現を学習することは、機械学習における根本的な課題である。 本稿では,2次最適輸送に基づく非交叉表現学習手法を提案する。 提案手法の有効性を4つの標準ベンチマークで示す。
  論文  参考訳（メタデータ） (2024-07-10T16:51:32Z)
• Stochastic interpolants with data-dependent couplings [31.854717378556334]
  補間剤の枠組みを用いて、ベースとターゲット密度を補間する方法を定式化する。 これらのトランスポートマップは、標準的な独立な設定に類似した単純な2乗損失回帰問題を解くことで学習可能であることを示す。
  論文  参考訳（メタデータ） (2023-10-05T17:46:31Z)
• Gradient-Based Feature Learning under Structured Data [57.76552698981579]
  異方性設定では、一般的に使用される球面勾配力学は真の方向を回復できないことがある。 バッチ正規化を連想させる適切な重み正規化は、この問題を軽減することができることを示す。 特に、スパイクモデルの下では、勾配に基づくトレーニングのサンプルの複雑さは情報指数とは独立にできる。
  論文  参考訳（メタデータ） (2023-09-07T16:55:50Z)
• Spatially and Spectrally Consistent Deep Functional Maps [26.203493922746546]
  サイクル一貫性は、長い間、形状の集合内の地図を共同最適化するための強力な先駆体として利用されてきた。 本稿では,非剛形形状マッチングにおける最先端技術と考えられるDeep Functional Mapsのアプローチにおける有用性について検討する。 本稿では,教師なしの深部関数写像の設計について述べる。これはスペクトルと点表現の下で学習された地図の調和を効果的に実施する。
  論文  参考訳（メタデータ） (2023-08-17T09:04:44Z)
• Asynchronously Trained Distributed Topographic Maps [0.0]
  分散トレーニングによって特徴マップを生成するために,N$の自律ユニットを用いたアルゴリズムを提案する。 単位の自律性は、分散探索とカスケード駆動の重み更新スキームを組み合わせることで、時間と空間のスパース相互作用によって達成される。
  論文  参考訳（メタデータ） (2023-01-20T01:15:56Z)
• $\texttt{GradICON}$: Approximate Diffeomorphisms via Gradient Inverse Consistency [16.72466200341455]
  ニューラルネットワークを用いて、ソースとターゲットイメージ間のマップと、ソースとターゲットイメージを切り替える際のマップを予測します。 我々は,様々な実世界の医療画像データセットに対して,最先端の登録性能を実現する。
  論文  参考訳（メタデータ） (2022-06-13T04:03:49Z)
• Entangled Residual Mappings [59.02488598557491]
  残余接続の構造を一般化するために、絡み合った残余写像を導入する。 絡み合い残余写像は、アイデンティティスキップ接続を特別な絡み合い写像に置き換える。 絡み合った写像は、様々な深層モデルにまたがる特徴の反復的洗練を保ちながら、畳み込みネットワークにおける表現学習プロセスに影響を及ぼすことを示す。
  論文  参考訳（メタデータ） (2022-06-02T19:36:03Z)
• Autoencoder Image Interpolation by Shaping the Latent Space [12.482988592988868]
  オートエンコーダは、異なるタイプのデータセットを特徴付ける基礎となる要因を計算するための効果的なアプローチである。 トレーニング画像と整合した多様体に従うために潜在表現を形作る正規化手法を提案する。
  論文  参考訳（メタデータ） (2020-08-04T12:32:54Z)
• Making Affine Correspondences Work in Camera Geometry Computation [62.7633180470428]
  局所的な特徴は、ポイント・ツー・ポイント対応ではなく、リージョン・ツー・リージョンを提供する。 本稿では,全モデル推定パイプラインにおいて,地域間マッチングを効果的に活用するためのガイドラインを提案する。 実験により、アフィンソルバはより高速な実行時にポイントベースソルバに匹敵する精度を達成できることが示された。
  論文  参考訳（メタデータ） (2020-07-20T12:07:48Z)
• Attentive Normalization for Conditional Image Generation [126.08247355367043]
  我々は、従来のインスタンス正規化の拡張である注意的正規化(AN)により、長距離依存を特徴づける。 自己注意型GANと比較して、注意的正規化はすべての位置の相関を測る必要がない。 クラス条件の画像生成とセマンティックインパインティングの実験により,提案モジュールの有効性が検証された。
  論文  参考訳（メタデータ） (2020-04-08T06:12:25Z)
• Spatially Adaptive Inference with Stochastic Feature Sampling and Interpolation [72.40827239394565]
  スパースサンプリングされた場所のみの機能を計算することを提案する。 次に、効率的な手順で特徴写像を密に再構築する。 提案したネットワークは、様々なコンピュータビジョンタスクの精度を維持しながら、かなりの計算を省くために実験的に示されている。
  論文  参考訳（メタデータ） (2020-03-19T15:36:31Z)

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。