論文の概要: Solving Inverse Problems with Conditional-GAN Prior via Fast
Network-Projected Gradient Descent
- arxiv url: http://arxiv.org/abs/2109.01105v1
- Date: Thu, 2 Sep 2021 17:28:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-03 13:57:42.290667
- Title: Solving Inverse Problems with Conditional-GAN Prior via Fast
Network-Projected Gradient Descent
- Title（参考訳）: 高速ネットワーク計画グラディエントDescenceによる条件GAN前の逆問題の解法
- Authors: Muhammad Fadli Damara, Gregor Kornhardt, Peter Jung
- Abstract要約: 本研究では,実測条件生成モデルのためのネットワークベース射影勾配降下(NPGD)アルゴリズムについて検討する。
実測条件モデルとNPGDの組み合わせは, 圧縮信号の回復に有効であり, 類似性や性能が向上し, より高速な再構成が可能であることを示す。
- 参考スコア（独自算出の注目度）: 11.247580943940918
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The projected gradient descent (PGD) method has shown to be effective in
recovering compressed signals described in a data-driven way by a generative
model, i.e., a generator which has learned the data distribution. Further
reconstruction improvements for such inverse problems can be achieved by
conditioning the generator on the measurement. The boundary equilibrium
generative adversarial network (BEGAN) implements an equilibrium based loss
function and an auto-encoding discriminator to better balance the performance
of the generator and the discriminator. In this work we investigate a
network-based projected gradient descent (NPGD) algorithm for
measurement-conditional generative models to solve the inverse problem much
faster than regular PGD. We combine the NPGD with conditional GAN/BEGAN to
evaluate their effectiveness in solving compressed sensing type problems. Our
experiments on the MNIST and CelebA datasets show that the combination of
measurement conditional model with NPGD works well in recovering the compressed
signal while achieving similar or in some cases even better performance along
with a much faster reconstruction. The achieved reconstruction speed-up in our
experiments is up to 140-175.
- Abstract（参考訳）: 予測勾配降下 (pgd) 法は, 生成モデル,すなわちデータ分布を学習した生成器によって, データ駆動方式で記述された圧縮信号の復元に有効であることが示されている。
このような逆問題に対する更なる再構築は、発生器を測定に条件付けすることで達成できる。
境界平衡生成逆数ネットワーク(BEGAN)は、平衡に基づく損失関数と自己符号化判別器を実装し、発電機と判別器の性能のバランスを良くする。
本研究では,実測条件生成モデルに対するネットワークベース射影勾配降下(NPGD)アルゴリズムについて検討し,逆問題を通常のPGDよりも高速に解く。
我々は,NPGDと条件付きGAN/BEGANを組み合わせることで,圧縮センシング型問題の解法の有効性を評価する。
MNIST と CelebA データセットを用いた実験により,NPGD と測定条件モデルの組み合わせは,圧縮信号の回復に有効であり,類似あるいは場合によっては,より高速な再構成と性能向上が期待できる。
我々の実験で達成された復元速度は140-175である。
関連論文リスト
- GE-AdvGAN: Improving the transferability of adversarial samples by
gradient editing-based adversarial generative model [69.71629949747884]
GAN(Generative Adversarial Networks)のような逆生成モデルは、様々な種類のデータを生成するために広く応用されている。
本研究では, GE-AdvGAN という新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-01-11T16:43:16Z) - Outlier Detection Using Generative Models with Theoretical Performance
Guarantees [11.985270449383272]
出力器の存在下で生成モデルを用いて信号の復元を理論的に保証する。
この結果は、線形生成ニューラルネットワークと、任意の数の層を持つ非線形生成ニューラルネットワークの両方に適用できる。
論文 参考訳（メタデータ） (2023-10-16T01:25:34Z) - Complexity Matters: Rethinking the Latent Space for Generative Modeling [65.64763873078114]
生成的モデリングにおいて、多くの成功したアプローチは、例えば安定拡散のような低次元の潜在空間を利用する。
本研究では, モデル複雑性の観点から潜在空間を再考することにより, 未探索の話題に光を当てることを目的としている。
論文 参考訳（メタデータ） (2023-07-17T07:12:29Z) - Signal Recovery with Non-Expansive Generative Network Priors [1.52292571922932]
我々は以前に深部生成ネットワークを用いた圧縮センシングについて検討した。
ガウス生成ネットワークの範囲内の信号は、いくつかの線形測定から復元可能であることを証明した。
論文 参考訳（メタデータ） (2022-04-24T18:47:32Z) - The efficacy and generalizability of conditional GANs for posterior
inference in physics-based inverse problems [0.4588028371034407]
我々は、物理に基づくベイズ推論問題の後部から効果的にサンプリングするために、条件付きワッサーシュタイン生成逆数ネットワークを訓練する。
生成元は自然界において局所的な逆写像を学習できることを示す。
論文 参考訳（メタデータ） (2022-02-15T22:57:05Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for
sparse recover [87.28082715343896]
我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。
我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。
提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
論文 参考訳（メタデータ） (2021-10-20T06:15:45Z) - Demonstrating the Evolution of GANs through t-SNE [0.4588028371034407]
COEGANのような進化的アルゴリズムは、最近、GANトレーニングを改善するソリューションとして提案されている。
本研究では, t-distributed Neighbour Embedding (t-SNE) を用いたGANの進展評価手法を提案する。
結果の t-SNE マップと Jaccard インデックスに基づく計量をモデル品質を表すために提案する。
論文 参考訳（メタデータ） (2021-01-31T20:07:08Z) - Self Sparse Generative Adversarial Networks [73.590634413751]
GAN(Generative Adversarial Networks)は、敵対的トレーニングを通じてデータ分布を学習する監視されていない生成モデルである。
本論文では,パラメータ空間を小さくし,ゼロ勾配問題を軽減するSelf Sparse Generative Adversarial Network (Self-Sparse GAN)を提案する。
論文 参考訳（メタデータ） (2021-01-26T04:49:12Z) - When and How Can Deep Generative Models be Inverted? [28.83334026125828]
近年, 深部生成モデル (GAN, VAE) が盛んに開発されている。
我々は、そのような生成モデルが可逆である任意の逆アルゴリズム(漸進降下、ディープエンコーダなど)に適用可能な条件を定義する。
本手法は, クリーン信号と劣化信号の両方に対して, 発生器を反転させる際の勾配勾配よりも優れることを示す。
論文 参考訳（メタデータ） (2020-06-28T09:37:52Z) - Discriminator Contrastive Divergence: Semi-Amortized Generative Modeling
by Exploring Energy of the Discriminator [85.68825725223873]
GAN(Generative Adversarial Networks)は、高次元データのモデリングにおいて大きな可能性を秘めている。
本稿では,WGANの識別器の特性を活かした識別器コントラストの多様性について紹介する。
我々は、合成データと実世界の画像生成ベンチマークの両方において、大幅に改善された生成の利点を実証する。
論文 参考訳（メタデータ） (2020-04-05T01:50:16Z)
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。