論文の概要: Stochastic Primal-Dual Deep Unrolling Networks for Imaging Inverse Problems

• arxiv url: http://arxiv.org/abs/2110.10093v1
• Date: Tue, 19 Oct 2021 16:46:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-20 15:07:13.082379
• Title: Stochastic Primal-Dual Deep Unrolling Networks for Imaging Inverse Problems
• Title（参考訳）: 逆問題の画像化のための確率的プリマル・デュアルディープ・アンロールネットワーク
• Authors: Junqi Tang
• Abstract要約: 本稿では,画像逆問題に対する高効率ディープアンローリングネットワークを提案する。 アンローリングネットワークでは、フォワード演算子とアジョイント演算子のサブセットのみを使用します。 以上の結果から,X線CTにおけるアプローチの有効性が示唆された。
• 参考スコア（独自算出の注目度）: 3.7819322027528113
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work we present a new type of efficient deep-unrolling networks for solving imaging inverse problems. Classical deep-unrolling methods require full forward operator and its adjoint across each layer, and hence can be computationally more expensive than other end-to-end methods such as FBP-ConvNet, especially in 3D image reconstruction tasks. We propose a stochastic (ordered-subsets) extension of the Learned Primal-Dual (LPD) which is the state-of-the-art unrolling network. In our unrolling network, we only use a subset of the forward and adjoint operator, to achieve computational efficiency. We consider 3 ways of training the proposed network to cope with different scenarios of the availability of the training data, including (1) supervised training on paired data, (2) unsupervised adversarial training which enable us to train the network without paired ground-truth data, (3) equivariant self-supervised training approach, which utilizes equivariant structure which is prevalent in many imaging applications, and only requires measurement data. Our numerical results demonstrate the effectiveness of our approach in X-ray CT imaging task, showing that our networks achieve similar reconstruction accuracies as the full-batch LPD, while require only a fraction of the computation.
• Abstract（参考訳）: 本稿では,画像逆問題を解くための新しいタイプの高効率ディープロールネットワークを提案する。 古典的なDeep-Unrolling法は各層にまたがる完全フォワード演算子とその結合を必要とするため、特に3次元画像再構成タスクにおいて、FBP-ConvNetのような他のエンドツーエンド手法よりも計算コストが高い。 本稿では,最先端アンローリングネットワークであるLearned Primal-Dual(LPD)の確率的(順序付きサブセット)拡張を提案する。 アンローリングネットワークでは、計算効率を達成するためにフォワード演算子とアジョイント演算子のサブセットのみを使用する。 本研究では,(1)対数データに対する教師付きトレーニング,(2)対数接地データなしでネットワークを訓練できる非教師付き敵対的トレーニング,(3)多くの画像アプリケーションで普及する同変構造を利用した同変自己教師付きトレーニングアプローチ,など,トレーニングデータの可用性の異なるシナリオに対処するための3つの方法を検討する。 数値解析の結果,X線CT画像におけるアプローチの有効性が示され,我々のネットワークは計算のごく一部しか必要とせず,フルバッチLPDと類似の再構成精度を実現していることがわかった。

関連論文リスト

• Self-Supervised Dual Contouring [30.9409064656302]
  本稿ではニューラルデュアルコンチューリングメッシュフレームワークのための自己教師型トレーニングスキームを提案する。 生成メッシュ間の距離の整合性を促進する2つの新しい自己教師付き損失関数を用いる。 単視点再構成作業における自己監督的損失によりメッシュ性能が向上することが実証された。
  論文  参考訳（メタデータ） (2024-05-28T12:44:28Z)
• Transfer Learning with Reconstruction Loss [12.906500431427716]
  本稿では,モデルに新たな再構築段階を追加することで,新たなモデル学習手法を提案する。 提案手法は、学習した特徴を一般化し、伝達しやすくし、効率的な伝達学習に容易に利用できる。 数値シミュレーションでは、MNIST手書き桁の転送学習、デバイス間無線ネットワークの電力割り当て、複数入出力ネットワークのダウンリンクビームフォーミングとローカライゼーションの3つの応用が研究されている。
  論文  参考訳（メタデータ） (2024-03-31T00:22:36Z)
• Cross-domain and Cross-dimension Learning for Image-to-Graph Transformers [50.576354045312115]
  直接画像からグラフへの変換は、単一のモデルにおけるオブジェクトの検出と関係予測を解決するための課題である。 画像-グラフ変換器のクロスドメインおよびクロス次元変換学習を可能にする一連の手法を提案する。 そこで我々は,2次元の衛星画像上でモデルを事前学習し,それを2次元および3次元の異なるターゲット領域に適用する。
  論文  参考訳（メタデータ） (2024-03-11T10:48:56Z)
• On the training and generalization of deep operator networks [11.159056906971983]
  深層演算ネットワーク(DeepONets)のための新しいトレーニング手法を提案する。 DeepONetsは2つのサブネットワークによって構築されている。 入力データの観点から幅誤差推定値を確立する。
  論文  参考訳（メタデータ） (2023-09-02T21:10:45Z)
• PRSNet: A Masked Self-Supervised Learning Pedestrian Re-Identification Method [2.0411082897313984]
  本論文は, 強靭性を有する事前学習モデルを得るために, マスク再構築の前タスクを設計する。 センタロイドに基づいて三重項損失を改善することにより、ネットワークのトレーニング最適化を行う。 この手法は、既存の自己教師型学習歩行者再識別法よりも、Marker1501およびCUHK03データ上で約5%高いmAPを達成する。
  論文  参考訳（メタデータ） (2023-03-11T07:20:32Z)
• Unsupervised Domain-adaptive Hash for Networks [81.49184987430333]
  ドメイン適応型ハッシュ学習はコンピュータビジョンコミュニティでかなりの成功を収めた。 UDAHと呼ばれるネットワークのための教師なしドメイン適応型ハッシュ学習手法を開発した。
  論文  参考訳（メタデータ） (2021-08-20T12:09:38Z)
• Multi-Agent Semi-Siamese Training for Long-tail and Shallow Face Learning [54.13876727413492]
  多くの現実世界の顔認識シナリオでは、トレーニングデータセットの深さは浅いため、IDごとに2つの顔画像しか利用できません。 非均一なサンプルの増加により、このような問題はより一般的なケース、すなわち長い尾の顔学習に変換される。 これらの問題に対処するために,マルチエージェントセミシアントレーニング(masst)という高度なソリューションを導入する。 広範な実験と比較は、長い尾と浅い顔学習のためのMASSTの利点を示しています。
  論文  参考訳（メタデータ） (2021-05-10T04:57:32Z)
• Learning Neural Network Subspaces [74.44457651546728]
  近年の観測は,ニューラルネットワーク最適化の展望の理解を深めている。 1つのモデルのトレーニングと同じ計算コストで、高精度ニューラルネットワークの線、曲線、単純軸を学習します。 1つのモデルのトレーニングと同じ計算コストで、高精度ニューラルネットワークの線、曲線、単純軸を学習します。
  論文  参考訳（メタデータ） (2021-02-20T23:26:58Z)
• Online Exemplar Fine-Tuning for Image-to-Image Translation [32.556050882376965]
  ディープ畳み込みニューラルネットワーク(CNN)において、既存の画像から画像への変換を解決するには、ネットワークパラメータを最適化するためのトレーニングフェーズが必要である。 入力画像ペアが与えられたオンライン最適化により,先進的な翻訳を初めて解決する新しいフレームワークを提案する。 我々のフレームワークは、既存の手法の主な課題であるオフライントレーニングフェーズを必要とせず、オンラインの最適化を可能にするためにトレーニング済みのネットワークを必要としています。
  論文  参考訳（メタデータ） (2020-11-18T15:13:16Z)
• Pre-Trained Models for Heterogeneous Information Networks [57.78194356302626]
  異種情報ネットワークの特徴を捉えるための自己教師付き事前学習・微調整フレームワークPF-HINを提案する。 PF-HINは4つのデータセットにおいて、各タスクにおける最先端の代替よりも一貫して、大幅に優れています。
  論文  参考訳（メタデータ） (2020-07-07T03:36:28Z)
• Large-Scale Gradient-Free Deep Learning with Recursive Local Representation Alignment [84.57874289554839]
  大規模データセット上でディープニューラルネットワークをトレーニングするには、重要なハードウェアリソースが必要である。 これらのネットワークをトレーニングするためのワークホースであるバックプロパゲーションは、本質的に並列化が難しいシーケンシャルなプロセスである。 本稿では、深層ネットワークのトレーニングに使用できるバックプロップに代わる、神経生物学的に有望な代替手段を提案する。
  論文  参考訳（メタデータ） (2020-02-10T16:20:02Z)

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。