論文の概要: Dynamic Proximal Unrolling Network for Compressive Sensing Imaging

• arxiv url: http://arxiv.org/abs/2107.11007v1
• Date: Fri, 23 Jul 2021 03:04:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-26 13:47:30.394076
• Title: Dynamic Proximal Unrolling Network for Compressive Sensing Imaging
• Title（参考訳）: 圧縮センシングイメージングのための動的近位アンロールネットワーク
• Authors: Yixiao Yang, Ran Tao, Kaixuan Wei, Ying Fu
• Abstract要約: 本稿では,DPUNetと呼ばれる動的近位アンローリングネットワークについて述べる。 具体的には、DPUNetは、勾配降下による埋め込み物理モデルと、学習された動的近位写像による画像のインポーティングの両方を活用できる。 実験結果から,提案したDPUNetは,サンプル比や雑音レベルの異なる複数のCSIモダリティを1つのモデルで効果的に処理できることがわかった。
• 参考スコア（独自算出の注目度）: 29.00266254916676
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recovering an underlying image from under-sampled measurements, Compressive Sensing Imaging (CSI) is a challenging problem and has many practical applications. Recently, deep neural networks have been applied to this problem with promising results, owing to its implicitly learned prior to alleviate the ill-poseness of CSI. However, existing neural network approaches require separate models for each imaging parameter like sampling ratios, leading to training difficulties and overfitting to specific settings. In this paper, we present a dynamic proximal unrolling network (dubbed DPUNet), which can handle a variety of measurement matrices via one single model without retraining. Specifically, DPUNet can exploit both embedded physical model via gradient descent and imposing image prior with learned dynamic proximal mapping leading to joint reconstruction. A key component of DPUNet is a dynamic proximal mapping module, whose parameters can be dynamically adjusted at inference stage and make it adapt to any given imaging setting. Experimental results demonstrate that the proposed DPUNet can effectively handle multiple CSI modalities under varying sampling ratios and noise levels with only one model, and outperform the state-of-the-art approaches.
• Abstract（参考訳）: 圧縮センシングイメージング(Compressive Sensing Imaging, CSI)は、アンダーサンプル計測から基盤となる画像の復元が困難な問題であり、多くの実用的応用がある。 近年,csiの不適切さを緩和するために暗黙的に学習されたニューラルネットワークが,有望な結果とともにこの問題に適用されている。 しかし、既存のニューラルネットワークアプローチでは、サンプリング比率などの画像パラメータ毎に別々のモデルが必要であり、トレーニングの困難と特定の設定に過度に適合する。 本稿では,単一のモデルを用いて,リトレーニングすることなく様々な計測行列を処理できる動的近位アンロールネットワーク(dpunet)を提案する。 具体的には、DPUNetは、勾配降下による埋め込み物理モデルと、学習された動的近位写像によって関節再建に先立つ画像の両方を活用できる。 dpunetの重要なコンポーネントは動的近位マッピングモジュールであり、そのパラメータは推論段階で動的に調整でき、任意の撮像設定に適応させることができる。 実験の結果, dpunetは, サンプリング率やノイズレベルが異なる場合に, 1つのモデルで効率的に複数のcsiモダリティを処理でき, 最先端のアプローチよりも優れることがわかった。

関連論文リスト

• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。 我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。 我々の推論速度は拡散法よりも1,400倍速い。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Untrained Neural Nets for Snapshot Compressive Imaging: Theory and Algorithms [15.54330224419903]
  スナップショット圧縮イメージング(SCI)は、単一の2次元計測から高次元(3D)データキューブを復元する。 本稿では、DIP(Deep Image prior)などの未学習ニューラルネットワーク(UNN)を用いたSCI回復アルゴリズムに着目し、ソース構造をモデル化する。
  論文  参考訳（メタデータ） (2024-06-06T02:22:43Z)
• MsDC-DEQ-Net: Deep Equilibrium Model (DEQ) with Multi-scale Dilated Convolution for Image Compressive Sensing (CS) [0.0]
  圧縮センシング(CS)は、従来のサンプリング法よりも少ない測定値を用いてスパース信号の回復を可能にする技術である。 我々はCSを用いた自然画像再構成のための解釈可能かつ簡潔なニューラルネットワークモデルを構築した。 MsDC-DEQ-Netと呼ばれるこのモデルは、最先端のネットワークベースの手法と比較して、競争力のある性能を示す。
  論文  参考訳（メタデータ） (2024-01-05T16:25:58Z)
• DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image Enhancement [77.0360085530701]
  水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。 従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。 提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
  論文  参考訳（メタデータ） (2023-12-12T06:07:21Z)
• A Model-data-driven Network Embedding Multidimensional Features for Tomographic SAR Imaging [5.489791364472879]
  多次元特徴量に基づくトモSARイメージングを実現するためのモデルデータ駆動型ネットワークを提案する。 画像シーンの多次元的特徴を効果的に向上するために、2つの2次元処理モジュール(畳み込みエンコーダ-デコーダ構造)を追加します。 従来のCS-based FISTA法とDL-based gamma-Net法と比較して,提案手法は良好な画像精度を有しつつ,完全性を向上させる。
  論文  参考訳（メタデータ） (2022-11-28T02:01:43Z)
• Deep network series for large-scale high-dynamic range imaging [2.3759432635713895]
  本稿では,大規模高ダイナミックレンジイメージングのための新しい手法を提案する。 ディープニューラルネットワーク(DNN)で訓練されたエンドツーエンドは、ほぼ瞬時に線形逆イメージング問題を解くことができる。 代替のPlug-and-Playアプローチは、高ダイナミックレンジの課題に対処する上で有効であるが、高度に反復的なアルゴリズムに依存している。
  論文  参考訳（メタデータ） (2022-10-28T11:13:41Z)
• Multi-View Photometric Stereo Revisited [100.97116470055273]
  多視点測光ステレオ(MVPS)は、画像から被写体を詳細に正確に3D取得する方法として好まれる。 MVPSは異方性や光沢などの他の対象物質と同様に,等方性に対しても有効である。 提案手法は、複数のベンチマークデータセットで広範囲にテストした場合に、最先端の結果を示す。
  論文  参考訳（メタデータ） (2022-10-14T09:46:15Z)
• Self-supervised Neural Networks for Spectral Snapshot Compressive Imaging [15.616674529295366]
  我々は、訓練されていないニューラルネットワークを用いて、スナップショット圧縮画像(SCI)の再構成問題を解決することを検討する。 本稿では,DIP(Deep Image Priors)やディープデコーダ(Deep Decoder)といった未学習のニューラルネットワークにヒントを得て,DIPをプラグアンドプレイシステムに統合して,スペクトルSCI再構成のための自己教師型ネットワークを構築する。
  論文  参考訳（メタデータ） (2021-08-28T14:17:38Z)
• Rate Distortion Characteristic Modeling for Neural Image Compression [59.25700168404325]
  エンドツーエンドの最適化機能は、ニューラルイメージ圧縮(NIC)の優れた損失圧縮性能を提供する。 異なるモデルは、R-D空間の異なる点に到達するために訓練される必要がある。 深層ネットワークと統計モデルを用いてNICのR-D挙動を記述するために,本質的な数学的関数の定式化に努めている。
  論文  参考訳（メタデータ） (2021-06-24T12:23:05Z)
• Learning a Model-Driven Variational Network for Deformable Image Registration [89.9830129923847]
  VR-Netは、教師なしの変形可能な画像登録のための新しいカスケード可変ネットワークである。 登録精度において最先端のディープラーニング手法よりも優れています。 ディープラーニングの高速推論速度と変分モデルのデータ効率を維持している。
  論文  参考訳（メタデータ） (2021-05-25T21:37:37Z)
• Perceptually Optimizing Deep Image Compression [53.705543593594285]
  平均二乗誤差(MSE)と$ell_p$ノルムは、ニューラルネットワークの損失の測定で大きく支配されている。 本稿では,定量的知覚モデルに対して,画像解析ネットワークを最適化するための異なるプロキシ手法を提案する。
  論文  参考訳（メタデータ） (2020-07-03T14:33:28Z)

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。