論文の概要: R3L: Connecting Deep Reinforcement Learning to Recurrent Neural Networks for Image Denoising via Residual Recovery

• arxiv url: http://arxiv.org/abs/2107.05318v1
• Date: Mon, 12 Jul 2021 11:12:49 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-13 15:45:43.682667
• Title: R3L: Connecting Deep Reinforcement Learning to Recurrent Neural Networks for Image Denoising via Residual Recovery
• Title（参考訳）: R3L:Recurrent Neural Networksとディープ強化学習を結びつけて残像回復による画像認識
• Authors: Rongkai Zhang, Jiang Zhu, Zhiyuan Zha, Justin Dauwels and Bihan Wen
• Abstract要約: 本稿では,R3L と呼ばれる強化学習を用いたResidual Recovery を用いた新しい画像認識手法を提案する。 R3Lは報酬を用いてトレーニングされた深いリカレントニューラルネットワークと等価であり、決定論的損失を伴う教師付き学習を用いた多くの一般的なデノイザーとは対照的である。
• 参考スコア（独自算出の注目度）: 31.35386731844281
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: State-of-the-art image denoisers exploit various types of deep neural networks via deterministic training. Alternatively, very recent works utilize deep reinforcement learning for restoring images with diverse or unknown corruptions. Though deep reinforcement learning can generate effective policy networks for operator selection or architecture search in image restoration, how it is connected to the classic deterministic training in solving inverse problems remains unclear. In this work, we propose a novel image denoising scheme via Residual Recovery using Reinforcement Learning, dubbed R3L. We show that R3L is equivalent to a deep recurrent neural network that is trained using a stochastic reward, in contrast to many popular denoisers using supervised learning with deterministic losses. To benchmark the effectiveness of reinforcement learning in R3L, we train a recurrent neural network with the same architecture for residual recovery using the deterministic loss, thus to analyze how the two different training strategies affect the denoising performance. With such a unified benchmarking system, we demonstrate that the proposed R3L has better generalizability and robustness in image denoising when the estimated noise level varies, comparing to its counterparts using deterministic training, as well as various state-of-the-art image denoising algorithms.
• Abstract（参考訳）: state-of-the-art image denoisersは、決定論的トレーニングを通じて、さまざまなタイプのディープニューラルネットワークを利用する。 あるいは、非常に最近の作品では、様々な、または未知の汚職を伴う画像の復元に深い強化学習を利用している。 深層強化学習は、画像復元におけるオペレータ選択やアーキテクチャ探索のための効果的なポリシーネットワークを生成することができるが、逆問題解決における古典的決定論的トレーニングとどのように結びついているかは、まだ不明である。 本稿では,Reinforcement Learning(R3L)を用いたResidual Recoveryを用いた新しい画像認識手法を提案する。 我々は,R3Lが確率的報酬を用いてトレーニングされた深いリカレントニューラルネットワークと等価であることを示す。 R3Lにおける強化学習の有効性をベンチマークするために、決定論的損失を用いてリカレントニューラルネットワークを同じアーキテクチャでトレーニングし、2つの異なるトレーニング戦略が復調性能に与える影響を分析する。 このような統合ベンチマークシステムを用いて,提案するr3lは,推定ノイズレベルが変化するときの画像の一般化性とロバスト性が,決定論的トレーニングと様々な最先端画像のデノイジングアルゴリズムを用いて比較できることを示す。

関連論文リスト

• Masked Image Training for Generalizable Deep Image Denoising [53.03126421917465]
  本稿では,デノナイジングネットワークの一般化性能を高めるための新しい手法を提案する。 提案手法では,入力画像のランダムなピクセルをマスキングし,学習中に欠落した情報を再構成する。 提案手法は,他のディープラーニングモデルよりも優れた一般化能力を示し,実世界のシナリオに直接適用可能である。
  論文  参考訳（メタデータ） (2023-03-23T09:33:44Z)
• Multi-stage image denoising with the wavelet transform [125.2251438120701]
  深部畳み込みニューラルネットワーク(Deep Convolutional Neural Network, CNN)は、正確な構造情報を自動マイニングすることで、画像の復調に使用される。 動的畳み込みブロック(DCB)、2つのカスケードウェーブレット変換および拡張ブロック(WEB)、残留ブロック(RB)の3段階を経由した、MWDCNNによるCNNの多段階化を提案する。
  論文  参考訳（メタデータ） (2022-09-26T03:28:23Z)
• Self-supervised Deep Unrolled Reconstruction Using Regularization by Denoising [9.489726334567171]
  本稿では,MR画像再構成のための自己教師あり学習を可能にする新しい再構成手法であるDURED-Netを提案する。 MR再生におけるノイズ2ノイズの再構成性能を画像物理を利用した明示的な事前付加により向上することを目的としている。 提案手法は, 再現性を高めるために, トレーニングデータ量の削減を必要とすることを示した。
  論文  参考訳（メタデータ） (2022-05-07T01:49:31Z)
• Zero-shot Blind Image Denoising via Implicit Neural Representations [77.79032012459243]
  暗黙的ニューラル表現(INR)のアーキテクチャ的帰納的バイアスを利用した代替的認知戦略を提案する。 提案手法は,低雑音シナリオや実雑音シナリオの広い範囲において,既存のゼロショット復調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） (2022-04-05T12:46:36Z)
• Dense-Sparse Deep Convolutional Neural Networks Training for Image Denoising [0.6215404942415159]
  畳み込みニューラルネットワークのような深層学習手法は、画像認知の領域で注目されている。 ディープラーニング畳み込み畳み込みニューラルネットワークは、バッチ正規化と残留学習の正規化メソッドを追加して、多くのフィードフォワード畳み込み層を使用して、トレーニングを高速化し、denoisingパフォーマンスを大幅に改善する。 本稿では,高密度スパース・デンス・ネットワークのトレーニング手法を深層化畳み込みニューラルネットワークに適用することにより,学習可能なパラメータを著しく削減できることを示す。
  論文  参考訳（メタデータ） (2021-07-10T15:14:19Z)
• Image Denoising using Attention-Residual Convolutional Neural Networks [0.0]
  本稿では,学習に基づく新たな非盲検手法であるAttention Residual Convolutional Neural Network (ARCNN)を提案し,その拡張としてFlexible Attention Residual Convolutional Neural Network (FARCNN)を提案する。 ARCNNはガウス語とポアソン語で約0.44dBと0.96dBの平均PSNR結果を達成し、FARCNNはARCNNに比べて若干パフォーマンスが悪くても非常に一貫した結果を示した。
  論文  参考訳（メタデータ） (2021-01-19T16:37:57Z)
• Self-Organized Operational Neural Networks for Severe Image Restoration Problems [25.838282412957675]
  畳み込みニューラルネットワーク(CNN)に基づく離散学習は、ノイズとクリーンのイメージペアのトレーニング例から学習することで、画像復元を行うことを目的としている。 これは畳み込みに基づく変換の本質的な線形性によるものであり、深刻な復元問題に対処するには不十分である。 画像復元のための自己組織型ONN(Self-ONN)を提案する。
  論文  参考訳（メタデータ） (2020-08-29T02:19:41Z)
• NAS-DIP: Learning Deep Image Prior with Neural Architecture Search [65.79109790446257]
  近年の研究では、深部畳み込みニューラルネットワークの構造が、以前に構造化された画像として利用できることが示されている。 我々は,より強い画像の先行を捉えるニューラルネットワークの探索を提案する。 既存のニューラルネットワーク探索アルゴリズムを利用して,改良されたネットワークを探索する。
  論文  参考訳（メタデータ） (2020-08-26T17:59:36Z)
• Accelerated MRI with Un-trained Neural Networks [29.346778609548995]
  トレーニングなしニューラルネットワークを用いた高速化MRIにおける再構成問題に対処する。 本稿では,Deep Decoderのバリエーションに基づいて,高度に最適化された未学習リカバリ手法を提案する。 トレーニングされていないアルゴリズムはベースライントレーニングされたニューラルネットワークと同じような性能を達成するが、最先端トレーニングされたネットワークはトレーニングされていないニューラルネットワークよりも優れる。
  論文  参考訳（メタデータ） (2020-07-06T00:01:25Z)
• Identity Enhanced Residual Image Denoising [61.75610647978973]
  我々は、アイデンティティマッピングモジュールのチェーンと、画像の復号化のための残像アーキテクチャの残像からなる、完全な畳み込みネットワークモデルを学ぶ。 提案するネットワークは,従来の最先端・CNNアルゴリズムよりも極めて高い数値精度と画像品質を実現している。
  論文  参考訳（メタデータ） (2020-04-26T04:52:22Z)
• Attention Based Real Image Restoration [48.933507352496726]
  深層畳み込みニューラルネットワークは、合成劣化を含む画像に対してより良い性能を発揮する。 本稿では,新しい1段ブラインド実画像復元ネットワーク(R$2$Net)を提案する。
  論文  参考訳（メタデータ） (2020-04-26T04:21:49Z)

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。