論文の概要: Untrained Graph Neural Networks for Denoising

• arxiv url: http://arxiv.org/abs/2109.11700v1
• Date: Fri, 24 Sep 2021 00:57:14 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-28 02:37:30.729857
• Title: Untrained Graph Neural Networks for Denoising
• Title（参考訳）: 非学習型グラフニューラルネットワーク
• Authors: Samuel Rey, Santiago Segarra, Reinhard Heckel, and Antonio G. Marques
• Abstract要約: 本稿では,グラフ信号復調のための2つの未学習グラフニューラルネットワークアーキテクチャを提案する。 簡単な設定で、それらの復調能力に関する理論的保証を提供する。 より一般的なシナリオで理論結果を数値的に検証する。
• 参考スコア（独自算出の注目度）: 32.99677806938313
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A fundamental problem in signal processing is to denoise a signal. While there are many well-performing methods for denoising signals defined on regular supports, such as images defined on two-dimensional grids of pixels, many important classes of signals are defined over irregular domains such as graphs. This paper introduces two untrained graph neural network architectures for graph signal denoising, provides theoretical guarantees for their denoising capabilities in a simple setup, and numerically validates the theoretical results in more general scenarios. The two architectures differ on how they incorporate the information encoded in the graph, with one relying on graph convolutions and the other employing graph upsampling operators based on hierarchical clustering. Each architecture implements a different prior over the targeted signals. To numerically illustrate the validity of the theoretical results and to compare the performance of the proposed architectures with other denoising alternatives, we present several experimental results with real and synthetic datasets.
• Abstract（参考訳）: 信号処理における根本的な問題は、信号のデノベーションである。 画素の2次元格子上に定義された画像など、正規サポートで定義された信号を識別する多くの優れた手法があるが、グラフのような不規則領域上で多くの重要な信号のクラスが定義される。 本稿では,グラフ信号の分節化のための2つの未学習グラフニューラルネットワークアーキテクチャを紹介し,その分節化能力に関する理論的保証を簡易な設定で提供し,より一般的なシナリオで理論結果を数値的に検証する。 2つのアーキテクチャは、グラフに符号化された情報をどのように組み込むかで異なり、1つはグラフ畳み込みに依存し、もう1つは階層的クラスタリングに基づくグラフアップサンプリング演算子を使用している。 各アーキテクチャは、ターゲットの信号に対して異なる事前を実装している。 理論結果の有効性を数値的に示し,提案するアーキテクチャの性能を他の有意な代替案と比較するために,実データと合成データを用いていくつかの実験結果を示す。

関連論文リスト

• Compressive Recovery of Signals Defined on Perturbed Graphs [4.021249101488848]
  本稿では, 圧縮測定から同時に信号を復元し, グラフ摂動を補正するアルゴリズムを提案する。 また、圧縮画像再構成への応用として、グラフ摂動を所望のグラフエッジとしてモデル化し、画素を大きな強度差でリンクする。
  論文  参考訳（メタデータ） (2024-02-12T13:20:52Z)
• Combating Bilateral Edge Noise for Robust Link Prediction [56.43882298843564]
  本稿では,RGIB(Robust Graph Information Bottleneck)という情報理論の原則を提案し,信頼性の高い監視信号を抽出し,表現の崩壊を回避する。 RGIB-SSLとRGIB-REPの2つのインスタンス化は、異なる手法の利点を活用するために検討されている。 6つのデータセットと3つのGNNの様々なノイズシナリオによる実験は、我々のRGIBインスタンスの有効性を検証する。
  論文  参考訳（メタデータ） (2023-11-02T12:47:49Z)
• How Powerful is Implicit Denoising in Graph Neural Networks [33.01155523195073]
  我々は、GNNで暗黙の妄想が起こる時期と理由を総合的な理論的研究を行い、分析する。 我々の理論的分析は、暗黙の認知は接続性、グラフサイズ、GNNアーキテクチャに大きく依存していることを示唆している。 我々は頑健なグラフ畳み込みを導出し、ノード表現の滑らかさと暗黙の認知効果を高めることができる。
  論文  参考訳（メタデータ） (2022-09-29T02:19:39Z)
• Deep Equilibrium Assisted Block Sparse Coding of Inter-dependent Signals: Application to Hyperspectral Imaging [71.57324258813675]
  相互依存信号のデータセットは、列が強い依存を示す行列として定義される。 ニューラルネットワークは、事前に構造として機能し、基礎となる信号相互依存性を明らかにするために使用される。 ディープ・アンローリングとディープ・平衡に基づくアルゴリズムが開発され、高度に解釈可能で簡潔なディープ・ラーニング・ベース・アーキテクチャを形成する。
  論文  参考訳（メタデータ） (2022-03-29T21:00:39Z)
• Neighbor2Neighbor: Self-Supervised Denoising from Single Noisy Images [98.82804259905478]
  Neighbor2Neighborを提示し、ノイズの多い画像のみで効果的な画像消音モデルをトレーニングします。 ネットワークのトレーニングに使用される入力とターゲットは、同じノイズ画像からサブサンプリングされた画像である。 デノイジングネットワークは、第1段階で生成されたサブサンプルトレーニングペアで訓練され、提案された正規化器は、より良いパフォーマンスのための追加の損失として訓練される。
  論文  参考訳（メタデータ） (2021-01-08T02:03:25Z)
• Unrolling of Deep Graph Total Variation for Image Denoising [106.93258903150702]
  本稿では,従来のグラフ信号フィルタリングと深い特徴学習を併用して,競合するハイブリッド設計を提案する。 解釈可能な低パスグラフフィルタを用い、最先端のDL復調方式DnCNNよりも80%少ないネットワークパラメータを用いる。
  論文  参考訳（メタデータ） (2020-10-21T20:04:22Z)
• Contrastive and Generative Graph Convolutional Networks for Graph-based Semi-Supervised Learning [64.98816284854067]
  グラフベースのSemi-Supervised Learning (SSL)は、少数のラベル付きデータのラベルをグラフ経由で残りの巨大なラベル付きデータに転送することを目的としている。 本稿では,データ類似性とグラフ構造を両立させ,監視信号の強化を図るため,新しいGCNベースのSSLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-09-15T13:59:28Z)
• Identity Enhanced Residual Image Denoising [61.75610647978973]
  我々は、アイデンティティマッピングモジュールのチェーンと、画像の復号化のための残像アーキテクチャの残像からなる、完全な畳み込みネットワークモデルを学ぶ。 提案するネットワークは,従来の最先端・CNNアルゴリズムよりも極めて高い数値精度と画像品質を実現している。
  論文  参考訳（メタデータ） (2020-04-26T04:52:22Z)

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。