論文の概要: On Measuring and Controlling the Spectral Bias of the Deep Image Prior
- arxiv url: http://arxiv.org/abs/2107.01125v1
- Date: Fri, 2 Jul 2021 15:10:42 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-05 17:09:21.052094
- Title: On Measuring and Controlling the Spectral Bias of the Deep Image Prior
- Title（参考訳）: 深部画像のスペクトルバイアスの測定と制御について
- Authors: Zenglin Shi, Pascal Mettes, Subhransu Maji, and Cees G. M. Snoek
- Abstract要約: 深層画像は、未学習のネットワークが逆画像問題に対処できることを実証している。
ピークに達するとパフォーマンスが低下するので、いつ最適化を止めるかを決めるにはオラクルが必要です。
これらの問題に対処するために、スペクトルバイアスの観点から先行した深部画像について検討する。
- 参考スコア（独自算出の注目度）: 63.88575598930554
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The deep image prior has demonstrated the remarkable ability that untrained
networks can address inverse imaging problems, such as denoising, inpainting
and super-resolution, by optimizing on just a single degraded image. Despite
its promise, it suffers from two limitations. First, it remains unclear how one
can control the prior beyond the choice of the network architecture. Second, it
requires an oracle to determine when to stop the optimization as the
performance degrades after reaching a peak. In this paper, we study the deep
image prior from a spectral bias perspective to address these problems. By
introducing a frequency-band correspondence measure, we observe that deep image
priors for inverse imaging exhibit a spectral bias during optimization, where
low-frequency image signals are learned faster and better than high-frequency
noise signals. This pinpoints why degraded images can be denoised or inpainted
when the optimization is stopped at the right time. Based on our observations,
we propose to control the spectral bias in the deep image prior to prevent
performance degradation and to speed up optimization convergence. We do so in
the two core layer types of inverse imaging networks: the convolution layer and
the upsampling layer. We present a Lipschitz-controlled approach for the
convolution and a Gaussian-controlled approach for the upsampling layer. We
further introduce a stopping criterion to avoid superfluous computation. The
experiments on denoising, inpainting and super-resolution show that our method
no longer suffers from performance degradation during optimization, relieving
us from the need for an oracle criterion to stop early. We further outline a
stopping criterion to avoid superfluous computation. Finally, we show that our
approach obtains favorable restoration results compared to current approaches,
across all tasks.
- Abstract（参考訳）: 深層画像は,1つの劣化画像だけを最適化することにより,ノイズ除去,塗装,超高解像度化などの逆画像問題に対処できることを示す。
約束にもかかわらず、2つの制限がある。
まず、ネットワークアーキテクチャの選択を超えて、どのように事前を制御することができるのかは不明だ。
第二に、ピークに達するとパフォーマンスが劣化するので、最適化をいつ停止するかをoracleが決める必要がある。
本稿では,これらの問題に対処するために,スペクトルバイアスの観点から先行した深部画像について検討する。
周波数帯域対応尺度を導入することで、逆画像の深部画像先行は、低周波画像信号が高周波ノイズ信号よりも高速に学習される最適化中にスペクトルバイアスを示す。
このピンポイントは、最適化が正しいタイミングで停止されたときに、劣化した画像をデノベートしたり、インペイントしたりできる理由を示している。
そこで本研究では,性能劣化を防止し,最適化収束を高速化するために,深部画像のスペクトルバイアスを制御することを提案する。
コンボリューション層とアップサンプリング層という,逆画像ネットワークの2つのコア層タイプで実現している。
畳み込みに対するリプシッツ制御アプローチと、アップサンプリング層に対するガウス制御アプローチを提案する。
さらに,過剰な計算を避けるために停止基準を導入する。
ノイズ除去, 塗装, 超高分解能化実験により, 最適化中の性能劣化に苦しむことなく, オラクル基準を早期に停止させる必要性が軽減された。
さらに,過剰な計算を避けるために停止基準を概説する。
最後に,本手法は全タスクにおいて,現在の手法と比較して良好な復元結果が得られることを示す。
関連論文リスト
- Chasing Better Deep Image Priors between Over- and Under-parameterization [63.8954152220162]
そこで本研究では,DNN固有の空間性を利用して,LIP(lottery image prior)を新たに検討する。
LIPworksは、コンパクトなモデルサイズでディープデコーダを著しく上回っている。
また、LIPを圧縮センシング画像再構成に拡張し、事前学習したGANジェネレータを前者として使用する。
論文 参考訳（メタデータ） (2024-10-31T17:49:44Z) - Alternating Phase Langevin Sampling with Implicit Denoiser Priors for
Phase Retrieval [1.7767466724342065]
本稿では,従来のフレームワークに組み込んだ位相探索問題の解法を提案する。
位相探索のための性能記述に基づくアルゴリズムと比較し、分布内画像と分布外画像の顕著な測定結果と競合する性能を示す。
論文 参考訳（メタデータ） (2022-11-02T05:08:50Z) - Wiener Guided DIP for Unsupervised Blind Image Deconvolution [10.440495513371747]
ブラインド・デコンボリューション(英: Blind deconvolution)は、顕微鏡から天文学まで様々な分野で発生する不適切な問題である。
ディープラーニングアーキテクチャは、教師なしのブラインドデコンボリューション最適化中にイメージ生成として機能する。
本稿では,ワイナーデコンボリューションを用いて画像生成を最適化する手法を提案する。
論文 参考訳（メタデータ） (2021-12-19T22:19:13Z) - Rethinking Deep Image Prior for Denoising [23.140599133203292]
我々は、最適化の進捗を監視するために、実効性自由度(DF)の概念を用いてDIPを分析した。
本稿では,ガウス雑音に対する2対の真実像をアクセスすることなく,雑音に適応する前に停止基準を提案する。
提案手法は,7つのデータセットにおいて,PSNRとSSIMに匹敵する大差でLPIPSの先行技術より優れていた。
論文 参考訳（メタデータ） (2021-08-29T13:34:31Z) - Deep Unfolded Recovery of Sub-Nyquist Sampled Ultrasound Image [94.42139459221784]
本稿では,ISTAアルゴリズムの展開に基づく時空間領域におけるサブNyquistサンプルからの再構成手法を提案する。
本手法は,高品質な撮像性能を確保しつつ,配列要素数,サンプリングレート,計算時間を削減できる。
論文 参考訳（メタデータ） (2021-03-01T19:19:38Z) - Optimal Sequential Detection of Signals with Unknown Appearance and
Disappearance Points in Time [64.26593350748401]
本論文は、変化の期間が有限で未知であると仮定して、逐次的な変化点検出問題に対処する。
我々は、所定の時間(または空間)ウィンドウにおける最小検出確率を最大化する信頼性の高い最大変更検出基準に焦点を当てる。
FMAアルゴリズムは、光学画像中の衛星のかすかなストリークを検出するために応用される。
論文 参考訳（メタデータ） (2021-02-02T04:58:57Z) - Learned Block Iterative Shrinkage Thresholding Algorithm for
Photothermal Super Resolution Imaging [52.42007686600479]
深層ニューラルネットワークに展開する反復アルゴリズムを用いて,学習したブロックスパース最適化手法を提案する。
本稿では、正規化パラメータの選択を学ぶことができる学習ブロック反復収縮しきい値アルゴリズムを使用することの利点を示す。
論文 参考訳（メタデータ） (2020-12-07T09:27:16Z) - 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) - 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) - Class-Specific Blind Deconvolutional Phase Retrieval Under a Generative
Prior [8.712404218757733]
この問題はフーリエ・プチコグラフィー、X線結晶学、可視光通信など様々な画像モダリティで発生する。
本稿では,事前訓練された2つの深層生成ネットワークの下での交互勾配降下アルゴリズムを用いて,この逆問題の解法を提案する。
提案アルゴリズムは,前向き測定モデルを説明する各前駆体の範囲内で,シャープな画像とぼやけたカーネルを見つけ出そうとする。
論文 参考訳（メタデータ） (2020-02-28T07:36:28Z)
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。