Fugu-MT 論文翻訳(概要): COAST: COntrollable Arbitrary-Sampling NeTwork for Compressive Sensing

論文の概要: COAST: COntrollable Arbitrary-Sampling NeTwork for Compressive Sensing

arxiv url: http://arxiv.org/abs/2107.07225v1
Date: Thu, 15 Jul 2021 10:05:00 GMT
ステータス: 処理完了
システム内更新日: 2021-07-16 13:52:19.399251
Title: COAST: COntrollable Arbitrary-Sampling NeTwork for Compressive Sensing
Title（参考訳）: COAST:圧縮センシングのための調整可能な任意サンプリングNeTwork
Authors: Di You, Jian Zhang, Jingfen Xie, Bin Chen, Siwei Ma
Abstract要約: 本研究では,任意のサンプリング(サンプリング行列を含む)の問題を1つのモデルで解くために,COAST(Arbitrary-Sampling neTwork)を提案する。 COASTは1つのモデルで任意のサンプリング行列を処理でき、高速で最先端のパフォーマンスを実現することができる。
参考スコア（独自算出の注目度）: 27.870537087888334
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Recent deep network-based compressive sensing (CS) methods have achieved great success. However, most of them regard different sampling matrices as different independent tasks and need to train a specific model for each target sampling matrix. Such practices give rise to inefficiency in computing and suffer from poor generalization ability. In this paper, we propose a novel COntrollable Arbitrary-Sampling neTwork, dubbed COAST, to solve CS problems of arbitrary-sampling matrices (including unseen sampling matrices) with one single model. Under the optimization-inspired deep unfolding framework, our COAST exhibits good interpretability. In COAST, a random projection augmentation (RPA) strategy is proposed to promote the training diversity in the sampling space to enable arbitrary sampling, and a controllable proximal mapping module (CPMM) and a plug-and-play deblocking (PnP-D) strategy are further developed to dynamically modulate the network features and effectively eliminate the blocking artifacts, respectively. Extensive experiments on widely used benchmark datasets demonstrate that our proposed COAST is not only able to handle arbitrary sampling matrices with one single model but also to achieve state-of-the-art performance with fast speed. The source code is available on https://github.com/jianzhangcs/COAST.
Abstract（参考訳）: 近年の深層ネットワーク型圧縮センシング(CS)は大きな成功を収めている。しかし、そのほとんどは異なるサンプリング行列を異なる独立したタスクとみなし、ターゲットのサンプリング行列ごとに特定のモデルを訓練する必要がある。このような慣行は計算の非効率を生じさせ、一般化能力の低下に苦しむ。本稿では,任意のサンプリング行列(未確認サンプリング行列を含む)のCS問題を1つのモデルで解くため,COASTと呼ばれる新しいControllable Arbitrary-Sampling neTworkを提案する。最適化にインスパイアされた深い展開フレームワークの下で、COASTは優れた解釈可能性を示します。 COASTでは、任意のサンプリングを可能にするためにサンプリング空間のトレーニング多様性を促進するためにランダムプロジェクション強化(RPA)戦略が提案され、ネットワーク機能を動的に調整し、ブロックアーティファクトを効果的に除去する制御可能な近位写像モジュール(CPMM)とプラグアンドプレイデブロッキング(PnP-D)戦略がさらに開発されている。広範に使用されるベンチマークデータセットに関する広範な実験により,提案手法は,単一のモデルで任意のサンプリング行列を処理できるだけでなく,高速で最先端のパフォーマンスを実現することができることを示した。ソースコードはhttps://github.com/jianzhangcs/COASTで入手できる。

関連論文リスト

A Block Metropolis-Hastings Sampler for Controllable Energy-based Text Generation [78.81021361497311]
我々は,大規模言語モデルの反復的プロンプトを通じて,各ステップにおけるシーケンス全体の書き直しを提案する新しいメトロポリス・ハスティングス(MH)サンプリング器を開発した。対象分布からより効率的かつ正確なサンプリングが可能となり, (b) 事前に固定するのではなく, サンプリング手順により生成長を決定することが可能となった。
論文参考訳（メタデータ） (2023-12-07T18:30:15Z)
Amortizing intractable inference in large language models [56.92471123778389]
難治性後部分布のサンプルとして, 償却ベイズ推定を用いる。我々は,LLMファインチューニングの分散マッチングパラダイムが,最大習熟の代替となることを実証的に実証した。重要な応用として、チェーン・オブ・ソート推論を潜在変数モデリング問題として解釈する。
論文参考訳（メタデータ） (2023-10-06T16:36:08Z)
An Efficient Algorithm for Clustered Multi-Task Compressive Sensing [60.70532293880842]
クラスタ化マルチタスク圧縮センシングは、複数の圧縮センシングタスクを解決する階層モデルである。このモデルに対する既存の推論アルゴリズムは計算コストが高く、高次元ではうまくスケールしない。本稿では,これらの共分散行列を明示的に計算する必要をなくし,モデル推論を大幅に高速化するアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-09-30T15:57:14Z)
NL-CS Net: Deep Learning with Non-Local Prior for Image Compressive Sensing [7.600617428107161]
近年,画像の圧縮センシング(CS)にディープラーニングが応用されている。本稿では,従来の最適化手法の解釈可能性と,NL-CS Netと呼ばれるネットワークベース手法の高速化を併用した,非局所的前処理を用いた新しいCS手法を提案する。
論文参考訳（メタデータ） (2023-05-06T02:34:28Z)
Learning Sampling Distributions for Model Predictive Control [36.82905770866734]
モデル予測制御(MPC)に対するサンプリングに基づくアプローチは、MPCに対する現代のアプローチの基盤となっている。我々は、学習された分布を最大限に活用できるように、潜在空間における全ての操作を実行することを提案する。具体的には、学習問題を双方向の最適化として捉え、バックプロパゲーションスルータイムでコントローラをトレーニングする方法を示す。
論文参考訳（メタデータ） (2022-12-05T20:35:36Z)
Towards Automated Imbalanced Learning with Deep Hierarchical Reinforcement Learning [57.163525407022966]
不均衡学習はデータマイニングにおいて基本的な課題であり、各クラスにトレーニングサンプルの不均等な比率が存在する。オーバーサンプリングは、少数民族のための合成サンプルを生成することによって、不均衡な学習に取り組む効果的な手法である。我々は,異なるレベルの意思決定を共同で最適化できる自動オーバーサンプリングアルゴリズムであるAutoSMOTEを提案する。
論文参考訳（メタデータ） (2022-08-26T04:28:01Z)
Distributed Dynamic Safe Screening Algorithms for Sparse Regularization [73.85961005970222]
本稿では,分散動的安全スクリーニング(DDSS)手法を提案し,共有メモリアーキテクチャと分散メモリアーキテクチャにそれぞれ適用する。提案手法は, 線形収束率を低次複雑度で達成し, 有限個の繰り返しにおいてほとんどすべての不活性な特徴をほぼ確実に除去できることを示す。
論文参考訳（メタデータ） (2022-04-23T02:45:55Z)
Off-the-grid data-driven optimization of sampling schemes in MRI [0.0]
本稿では,MRIにおける効率よく,物理的に妥当なサンプリングパターンを生成するための,新しい学習ベースアルゴリズムを提案する。この手法はアルゴリズムによって暗黙的に定義されたコスト関数の高次元最適化からなる。
論文参考訳（メタデータ） (2020-10-05T07:06:39Z)
MOPS-Net: A Matrix Optimization-driven Network forTask-Oriented 3D Point Cloud Downsampling [86.42733428762513]
MOPS-Netは行列最適化のための新しい解釈可能な深層学習手法である。我々はMOPS-Netが様々なタスクに対して最先端の深層学習手法に対して好適な性能が得られることを示す。
論文参考訳（メタデータ） (2020-05-01T14:01:53Z)
Ensemble Slice Sampling: Parallel, black-box and gradient-free inference for correlated & multimodal distributions [0.0]
スライスサンプリング (Slice Sampling) は、最小ハンドチューニングで目標分布の特性に適応するマルコフ連鎖モンテカルロアルゴリズムとして登場した。本稿では,初期長さ尺度を適応的に調整することで,そのような困難を回避できるアルゴリズムであるEnsemble Slice Sampling(ESS)を紹介する。これらのアフィン不変アルゴリズムは簡単に構築でき、手作業で調整する必要がなく、並列計算環境で容易に実装できる。
論文参考訳（メタデータ） (2020-02-14T19:00:12Z)

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。