論文の概要: Coupling Model-Driven and Data-Driven Methods for Remote Sensing Image Restoration and Fusion

• arxiv url: http://arxiv.org/abs/2108.06073v1
• Date: Fri, 13 Aug 2021 06:00:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-16 13:08:52.391140
• Title: Coupling Model-Driven and Data-Driven Methods for Remote Sensing Image Restoration and Fusion
• Title（参考訳）: リモートセンシング画像復元と融合のためのモデル駆動・データ駆動手法の結合
• Authors: Huanfeng Shen, Menghui Jiang, Jie Li, Chenxia Zhou, Qiangqiang Yuan and Liangpei Zhang
• Abstract要約: モデル駆動の手法は、決定論的かつ理論的に妥当なイメージング機構を考える。 データ駆動の手法は、巨大なデータに対してより強力な事前知識学習能力を持つ。 ネットワークの解釈性は乏しく、トレーニングデータに過度に依存している。
• 参考スコア（独自算出の注目度）: 19.728138983829872
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the fields of image restoration and image fusion, model-driven methods and data-driven methods are the two representative frameworks. However, both approaches have their respective advantages and disadvantages. The model-driven methods consider the imaging mechanism, which is deterministic and theoretically reasonable; however, they cannot easily model complicated nonlinear problems. The data-driven methods have a stronger prior knowledge learning capability for huge data, especially for nonlinear statistical features; however, the interpretability of the networks is poor, and they are over-dependent on training data. In this paper, we systematically investigate the coupling of model-driven and data-driven methods, which has rarely been considered in the remote sensing image restoration and fusion communities. We are the first to summarize the coupling approaches into the following three categories: 1) data-driven and model-driven cascading methods; 2) variational models with embedded learning; and 3) model-constrained network learning methods. The typical existing and potential coupling methods for remote sensing image restoration and fusion are introduced with application examples. This paper also gives some new insights into the potential future directions, in terms of both methods and applications.
• Abstract（参考訳）: 画像復元と画像融合の分野では、モデル駆動メソッドとデータ駆動メソッドが2つの代表的なフレームワークである。 しかし、どちらのアプローチもそれぞれの利点と欠点がある。 モデル駆動方式は、決定論的かつ理論的に妥当なイメージング機構を考えるが、複雑な非線形問題を容易にモデル化することはできない。 データ駆動型手法は,大規模データ,特に非線形統計的特徴に対する事前知識学習能力が高いが,ネットワークの解釈性は乏しく,訓練データに過度に依存している。 本稿では,リモートセンシング画像復元と融合コミュニティではほとんど考慮されていないモデル駆動手法とデータ駆動手法の結合を体系的に検討する。 1)データ駆動型およびモデル駆動型カスケード手法,2)組込み学習を伴う変分モデル,3)モデル制約付きネットワーク学習手法である。 リモートセンシング画像の復元と融合のための典型的な既存および潜在的結合法を応用例とともに紹介する。 この論文は、メソッドとアプリケーションの両方の観点から、将来的な方向性に関する新たな洞察を与える。

関連論文リスト

• Model Merging in LLMs, MLLMs, and Beyond: Methods, Theories, Applications and Opportunities [89.40778301238642]
  モデルマージは、機械学習コミュニティにおける効率的なエンパワーメント技術である。 これらの手法の体系的かつ徹底的なレビューに関する文献には大きなギャップがある。
  論文  参考訳（メタデータ） (2024-08-14T16:58:48Z)
• Reinforcing Pre-trained Models Using Counterfactual Images [54.26310919385808]
  本稿では,言語誘導型生成対実画像を用いた分類モデル強化のための新しいフレームワークを提案する。 逆ファクト画像データセットを用いてモデルをテストすることにより、モデルの弱点を同定する。 我々は、分類モデルを微調整し強化するために、デファクトイメージを拡張データセットとして採用する。
  論文  参考訳（メタデータ） (2024-06-19T08:07:14Z)
• Solving Inverse Problems with Model Mismatch using Untrained Neural Networks within Model-based Architectures [14.551812310439004]
  モデルベースアーキテクチャでは,各インスタンスの計測領域におけるデータの一貫性を一致させるために,トレーニングされていないフォワードモデル残差ブロックを導入する。 提案手法は,パラメータ感受性が低く,追加データを必要としない統一解を提供し,前方モデルの同時適用と1パスの再構成を可能にする。
  論文  参考訳（メタデータ） (2024-03-07T19:02:13Z)
• Rethinking Generative Methods for Image Restoration in Physics-based Vision: A Theoretical Analysis from the Perspective of Information [19.530052941884996]
  エンド・ツー・エンドの生成法は、物理に基づく視覚における画像復元のためのより有望な解であると考えられている。 しかし、既存の生成手法には量的性能を改善する余地がまだたくさんある。 本研究では,情報理論を用いた画像復元作業における生成手法の再解釈を試みる。
  論文  参考訳（メタデータ） (2022-12-05T12:16:27Z)
• Deep Learning for Material Decomposition in Photon-Counting CT [0.5801044612920815]
  そこで本研究では,PCCTにおける材料分解のための新たな深層学習ソリューションを提案する。 提案手法は,最大推定値,変分法,および完全学習ネットワークよりも優れる。
  論文  参考訳（メタデータ） (2022-08-05T19:05:16Z)
• Discriminative Multimodal Learning via Conditional Priors in Generative Models [21.166519800652047]
  本研究は,モデルトレーニングにおいて,すべてのモダリティとクラスラベルが利用できる現実的なシナリオについて研究する。 このシナリオでは、変動的な下界境界は、結合表現と欠測モダリティの間の相互情報を制限する。
  論文  参考訳（メタデータ） (2021-10-09T17:22:24Z)
• Model-Based Deep Learning [155.063817656602]
  信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。 ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。 私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
  論文  参考訳（メタデータ） (2020-12-15T16:29:49Z)
• Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
  現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。 本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。 次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
  論文  参考訳（メタデータ） (2020-10-25T18:51:15Z)
• Learning Deformable Image Registration from Optimization: Perspective, Modules, Bilevel Training and Beyond [62.730497582218284]
  マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。 我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
  論文  参考訳（メタデータ） (2020-04-30T03:23:45Z)
• Deep Unfolding Network for Image Super-Resolution [159.50726840791697]
  本稿では,学習に基づく手法とモデルに基づく手法の両方を活用する,エンドツーエンドのトレーニング可能なアンフォールディングネットワークを提案する。 提案するネットワークは, モデルベース手法の柔軟性を継承し, 一つのモデルを用いて, 異なるスケール要因に対する, 曖昧でノイズの多い画像の超解像化を行う。
  論文  参考訳（メタデータ） (2020-03-23T17:55:42Z)

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。