論文の概要: Regularising Inverse Problems with Generative Machine Learning Models

• arxiv url: http://arxiv.org/abs/2107.11191v1
• Date: Thu, 22 Jul 2021 15:47:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-26 13:58:35.250802
• Title: Regularising Inverse Problems with Generative Machine Learning Models
• Title（参考訳）: 生成機械学習モデルによる逆問題正規化
• Authors: Margaret Duff, Neill D. F. Campbell, Matthias J. Ehrhardt
• Abstract要約: 逆問題に対する変分正規化手法における生成モデルの利用を検討する。 生成正規化の成功は生成モデルの品質に依存する。 生成モデルの能力に大きく依存することから, 生成器の精度に制限された解が, 生成器の精度に大きく依存していることが示唆された。
• 参考スコア（独自算出の注目度）: 9.971351129098336
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep neural network approaches to inverse imaging problems have produced impressive results in the last few years. In this paper, we consider the use of generative models in a variational regularisation approach to inverse problems. The considered regularisers penalise images that are far from the range of a generative model that has learned to produce images similar to a training dataset. We name this family \textit{generative regularisers}. The success of generative regularisers depends on the quality of the generative model and so we propose a set of desired criteria to assess models and guide future research. In our numerical experiments, we evaluate three common generative models, autoencoders, variational autoencoders and generative adversarial networks, against our desired criteria. We also test three different generative regularisers on the inverse problems of deblurring, deconvolution, and tomography. We show that the success of solutions restricted to lie exactly in the range of the generator is highly dependent on the ability of the generative model but that allowing small deviations from the range of the generator produces more consistent results.
• Abstract（参考訳）: 逆画像問題に対するディープニューラルネットワークのアプローチは、ここ数年で驚くべき成果を上げている。 本稿では,逆問題に対する変分正規化アプローチにおける生成モデルの利用について考察する。 正規化される画像は、トレーニングデータセットに似た画像を生成することを学習した生成モデルの範囲からは程遠いペナルティを課される。 この族を \textit{generative regularisers} と呼ぶ。 生成正規化器の成功は生成モデルの品質に依存するため,モデルの評価と今後の研究の指導に望ましい基準のセットを提案する。 数値実験では,3つの共通生成モデルであるautoencoder, variational autoencoder,generative adversarial networkを所望の基準に対して評価した。 また,デブロアリング,デコンボリューション,トモグラフィーの逆問題に対して,3つの異なる生成正規化器を試験した。 生成器の範囲内に存在する解は生成モデルの能力に大きく依存するが,生成器範囲からの小さな偏差を許容することで,より一貫した結果が得られることを示す。

関連論文リスト

• Fluid: Scaling Autoregressive Text-to-image Generative Models with Continuous Tokens [53.99177152562075]
  視覚における自己回帰モデルのスケールアップは、大きな言語モデルほど有益でないことが証明されている。 モデルが離散トークンを使用するか、連続トークンを使用するか、BERTやGPTのようなトランスフォーマーアーキテクチャを用いてランダムまたは固定順序でトークンを生成するか、という2つの重要な要素に焦点を当てる。 その結果,すべてのモデルが検証損失の点で効果的にスケールしているのに対して,評価性能はFID,GenEvalスコア,視覚的品質などによって異なる傾向を呈することがわかった。
  論文  参考訳（メタデータ） (2024-10-17T17:59:59Z)
• Avoiding Generative Model Writer's Block With Embedding Nudging [8.3196702956302]
  我々は、遅延拡散画像生成モデルと、それらがオーバーヘッドに制限された類似画像を生成しながら、それらが特定の画像を生成するのを防ぐ方法に焦点をあてる。 本手法は,修正されていないモデルと同等の画質と関連性を保ちながら,記憶されたトレーニング画像の生成を効果的に防止する。
  論文  参考訳（メタデータ） (2024-08-28T00:07:51Z)
• Deep Generative Models in Robotics: A Survey on Learning from Multimodal Demonstrations [52.11801730860999]
  近年、ロボット学習コミュニティは、大規模なデータセットの複雑さを捉えるために、深層生成モデルを使うことへの関心が高まっている。 本稿では,エネルギーベースモデル,拡散モデル,アクションバリューマップ,生成的敵ネットワークなど,コミュニティが探求してきたさまざまなモデルについて述べる。 また,情報生成から軌道生成,コスト学習に至るまで,深層生成モデルを用いた様々なアプリケーションについて述べる。
  論文  参考訳（メタデータ） (2024-08-08T11:34:31Z)
• How to Trace Latent Generative Model Generated Images without Artificial Watermark? [88.04880564539836]
  潜在生成モデルによって生成された画像に関する潜在的な誤用に関する懸念が持ち上がっている。 検査されたモデルの生成された画像をトレースするために,レイトタントトラッカーと呼ばれる潜時反転に基づく手法を提案する。 提案手法は,検査したモデルと他の画像から生成された画像とを高精度かつ効率的に識別できることを示す。
  論文  参考訳（メタデータ） (2024-05-22T05:33:47Z)
• Non-autoregressive Generative Models for Reranking Recommendation [9.854541524740549]
  推薦システムでは、項目間のリスト内相関をモデル化することで、リランクが重要な役割を果たす。 本研究では, 効率と効率性を高めるために, 提案するレコメンデーション(NAR4Rec)の再評価のための非自己回帰生成モデルを提案する。 NAR4Recは、毎日3億人のアクティブユーザーがいる人気ビデオアプリKuaishouに完全にデプロイされている。
  論文  参考訳（メタデータ） (2024-02-10T03:21:13Z)
• Generator Born from Classifier [66.56001246096002]
  データサンプルに頼ることなく、イメージジェネレータを再構築することを目指している。 本稿では,ネットワークパラメータの収束条件を満たすために,ジェネレータを訓練する新しい学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-12-05T03:41:17Z)
• Controlling the Output of a Generative Model by Latent Feature Vector Shifting [0.0]
  制御された出力画像修正のための遅延ベクトルシフトのための新しい手法を提案する。 提案手法では,リアルな人間の顔の画像を生成するStyleGAN3の事前学習モデルを用いている。 我々の潜在特徴シフト器は、生成モデルの潜在ベクトルを特定の特徴方向にシフトさせるタスクを備えたニューラルネットワークモデルである。
  論文  参考訳（メタデータ） (2023-11-15T10:42:06Z)
• Alteration-free and Model-agnostic Origin Attribution of Generated Images [28.34437698362946]
  画像生成モデルの誤用が懸念されている。 特定の画像が特定のモデルによって生成されたかどうかを推測することにより、画像の起源を分析する必要がある。
  論文  参考訳（メタデータ） (2023-05-29T01:35:37Z)
• Goal-directed Generation of Discrete Structures with Conditional Generative Models [85.51463588099556]
  本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。 提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
  論文  参考訳（メタデータ） (2020-10-05T20:03:13Z)
• Unsupervised Controllable Generation with Self-Training [90.04287577605723]
  GANによる制御可能な世代は依然として困難な研究課題である。 本稿では,自己学習を通じてジェネレータを制御する潜伏符号の分布を学習するための教師なしフレームワークを提案する。 我々のフレームワークは、変分オートエンコーダのような他の変種と比較して、より良い絡み合いを示す。
  論文  参考訳（メタデータ） (2020-07-17T21:50:35Z)

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。