論文の概要: Provably Convergent Algorithms for Solving Inverse Problems Using Generative Models

• arxiv url: http://arxiv.org/abs/2105.06371v1
• Date: Thu, 13 May 2021 15:58:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-14 16:31:59.397144
• Title: Provably Convergent Algorithms for Solving Inverse Problems Using Generative Models
• Title（参考訳）: 生成モデルを用いた逆問題に対する可解収束アルゴリズム
• Authors: Viraj Shah, Rakib Hyder, M. Salman Asif, Chinmay Hegde
• Abstract要約: より完全な理解を伴う逆問題における生成モデルの利用について検討する。 我々は様々な逆問題を解くための実験結果を用いて主張を支持する。 我々は,モデルミスマッチ(生成前処理が必ずしも適用されない状況)を処理する手法の拡張を提案する。
• 参考スコア（独自算出の注目度）: 47.208080968675574
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The traditional approach of hand-crafting priors (such as sparsity) for solving inverse problems is slowly being replaced by the use of richer learned priors (such as those modeled by deep generative networks). In this work, we study the algorithmic aspects of such a learning-based approach from a theoretical perspective. For certain generative network architectures, we establish a simple non-convex algorithmic approach that (a) theoretically enjoys linear convergence guarantees for certain linear and nonlinear inverse problems, and (b) empirically improves upon conventional techniques such as back-propagation. We support our claims with the experimental results for solving various inverse problems. We also propose an extension of our approach that can handle model mismatch (i.e., situations where the generative network prior is not exactly applicable). Together, our contributions serve as building blocks towards a principled use of generative models in inverse problems with more complete algorithmic understanding.
• Abstract（参考訳）: 逆問題解決のための手作り先行(例えば疎らさ)の伝統的なアプローチは、徐々に(深い生成ネットワークによってモデル化されたような)より豊かな学習先の使用に置き換えられている。 本研究では,このような学習に基づくアプローチのアルゴリズム的側面を理論的に検討する。 ある生成的ネットワークアーキテクチャに対して、(a)線形および非線形逆問題に対する線形収束保証を理論的に享受し、(b)バックプロパゲーションのような従来の手法を実証的に改善する単純な非凸アルゴリズムアプローチを確立する。 様々な逆問題を解くための実験結果を用いて,我々の主張を支持する。 また、モデルミスマッチ(つまり、生成ネットワークが事前に適用されない状況)を処理する手法の拡張も提案する。 共に、我々の貢献は、より完全なアルゴリズム理解を伴う逆問題における生成モデルの原理的利用への構築ブロックとして役立ちます。

関連論文リスト

• Sparse Bayesian Generative Modeling for Compressive Sensing [8.666730973498625]
  この研究は、圧縮センシング(CS)における基本的な線形逆問題に、新しいタイプの正規化生成先行を導入することで対処する。 提案手法は変分推論の概念を用いて理論的に支援し,異なる種類の圧縮可能な信号を用いて実験的に検証する。
  論文  参考訳（メタデータ） (2024-11-14T14:37:47Z)
• Improving Diffusion Models for Inverse Problems Using Optimal Posterior Covariance [52.093434664236014]
  近年の拡散モデルは、特定の逆問題に対して再訓練することなく、ノイズの多い線形逆問題に対する有望なゼロショット解を提供する。 この発見に触発されて、我々は、最大推定値から決定されるより原理化された共分散を用いて、最近の手法を改善することを提案する。
  論文  参考訳（メタデータ） (2024-02-03T13:35:39Z)
• 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)
• Transformer Meets Boundary Value Inverse Problems [4.165221477234755]
  変圧器を用いた深部直接サンプリング法は境界値逆問題のクラスを解くために提案される。 慎重に設計されたデータと再構成された画像の間に学習した逆演算子を評価することにより、リアルタイムな再構成を実現する。
  論文  参考訳（メタデータ） (2022-09-29T17:45:25Z)
• JPEG Artifact Correction using Denoising Diffusion Restoration Models [110.1244240726802]
  本稿では,DDRM(Denoising Diffusion Restoration Models)に基づいて,非線形逆問題の解法を提案する。 我々は、DDRMで使用される擬逆演算子を活用し、この概念を他の測度演算子に一般化する。
  論文  参考訳（メタデータ） (2022-09-23T23:47:00Z)
• Regularized Training of Intermediate Layers for Generative Models for Inverse Problems [9.577509224534323]
  生成モデルが中間層最適化に基づくアルゴリズムを用いた逆変換を意図している場合、それらの中間層を正規化する方法で訓練すべきである。 我々はこの原理を、中間層最適化(Intermediate Layer Optimization)とMulti-Code GAN(Multi-Code GAN)という、2つの注目すべきインバージョンアルゴリズムのインスタンス化を行う。 これら2つの逆アルゴリズムに対して、新しい正規化GANトレーニングアルゴリズムを導入し、学習した生成モデルがサンプリング比の広い範囲にわたる再構成誤差を低くすることを示した。
  論文  参考訳（メタデータ） (2022-03-08T20:30:49Z)
• Fractal Structure and Generalization Properties of Stochastic Optimization Algorithms [71.62575565990502]
  最適化アルゴリズムの一般化誤差は、その一般化尺度の根底にあるフラクタル構造の複雑性'にバウンドできることを示す。 さらに、特定の問題(リニア/ロジスティックレグレッション、隠れ/層ニューラルネットワークなど)とアルゴリズムに対して、結果をさらに専門化します。
  論文  参考訳（メタデータ） (2021-06-09T08:05:36Z)
• Joint Network Topology Inference via Structured Fusion Regularization [70.30364652829164]
  結合ネットワークトポロジ推論は、異種グラフ信号から複数のグラフラプラシア行列を学習する標準的な問題を表す。 新規な構造化融合正規化に基づく一般グラフ推定器を提案する。 提案するグラフ推定器は高い計算効率と厳密な理論保証の両方を享受できることを示す。
  論文  参考訳（メタデータ） (2021-03-05T04:42:32Z)
• Model-Aware Regularization For Learning Approaches To Inverse Problems [11.314492463814817]
  本稿では,逆問題に適用可能なディープラーニング手法の一般化誤差の解析を行う。 本稿では、フォワードマップの知識を活用してネットワークの一般化を改善する「プラグ・アンド・プレイ」レギュラーを提案する。 我々は,他の最先端手法に対するモデル認識型ディープラーニングアルゴリズムの有効性を実証する。
  論文  参考訳（メタデータ） (2020-06-18T21:59:03Z)
• Regularization of Inverse Problems by Neural Networks [0.0]
  逆問題は、計算トモグラフィー、非破壊検査、リモートセンシングを含む様々な画像アプリケーションで発生する。 逆問題の特徴は、解の非特異性と不安定性である。 ディープラーニング技術とニューラルネットワークは、逆問題に対する古典的解法を大幅に上回ることを示した。
  論文  参考訳（メタデータ） (2020-06-06T20:49:12Z)

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。