論文の概要: Self-Validation: Early Stopping for Single-Instance Deep Generative Priors

• arxiv url: http://arxiv.org/abs/2110.12271v1
• Date: Sat, 23 Oct 2021 18:27:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-31 20:57:58.103537
• Title: Self-Validation: Early Stopping for Single-Instance Deep Generative Priors
• Title（参考訳）: Self-Validation: 単一インスタンスのDeep Generative Priorsの早期停止
• Authors: Taihui Li, Zhong Zhuang, Hengyue Liang, Le Peng, Hengkang Wang, Ju Sun
• Abstract要約: 画像再構成にSIDGPを適用する際のESの第一原理的手法を提案する。 本手法は協調学習と自己検証に基づいている。
• 参考スコア（独自算出の注目度）: 2.9360071145551063
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent works have shown the surprising effectiveness of deep generative models in solving numerous image reconstruction (IR) tasks, even without training data. We call these models, such as deep image prior and deep decoder, collectively as single-instance deep generative priors (SIDGPs). The successes, however, often hinge on appropriate early stopping (ES), which by far has largely been handled in an ad-hoc manner. In this paper, we propose the first principled method for ES when applying SIDGPs to IR, taking advantage of the typical bell trend of the reconstruction quality. In particular, our method is based on collaborative training and self-validation: the primal reconstruction process is monitored by a deep autoencoder, which is trained online with the historic reconstructed images and used to validate the reconstruction quality constantly. Experimentally, on several IR problems and different SIDGPs, our self-validation method is able to reliably detect near-peak performance and signal good ES points. Our code is available at https://sun-umn.github.io/Self-Validation/.
• Abstract（参考訳）: 近年の研究では、訓練データなしに多数の画像再構成(IR)タスクを解く際に、深層生成モデルの驚くべき効果が示されている。 我々はこれらのモデル、例えばdeep image priorやdeep decoderをsingle-instance deep generative priors(sidgps)と呼ぶ。 しかし、その成功はしばしば適切な早期停止(es)にかかっており、これは概ねアドホックな方法で扱われてきた。 本稿では,SIDGPをIRに適用する際のESの原理化手法を提案する。 特に,本手法は協調訓練と自己検証に基づいており,本手法は深層オートエンコーダによって監視され,歴史的再構成画像を用いてオンラインにトレーニングされ,常に復元品質の検証に使用される。 実験では,いくつかのir問題と異なるsidgpsを用いて,近ピーク性能を確実に検出し,良好なes点を信号する。 私たちのコードはhttps://sun-umn.github.io/Self-Validation/で利用可能です。

関連論文リスト

• Chasing Better Deep Image Priors between Over- and Under-parameterization [63.8954152220162]
  そこで本研究では,DNN固有の空間性を利用して,LIP(lottery image prior)を新たに検討する。 LIPworksは、コンパクトなモデルサイズでディープデコーダを著しく上回っている。 また、LIPを圧縮センシング画像再構成に拡張し、事前学習したGANジェネレータを前者として使用する。
  論文  参考訳（メタデータ） (2024-10-31T17:49:44Z)
• Context Enhancement with Reconstruction as Sequence for Unified Unsupervised Anomaly Detection [68.74469657656822]
  非教師付き異常検出(AD)は、通常のサンプルのみを用いて堅牢な検出モデルを訓練することを目的としている。 最近の研究は、すべてのクラスに対して1つのモデルのみをトレーニングする、統一された教師なしAD設定に焦点を当てている。 本稿では,特徴再構成時の文脈対応性を高める新しいRAS法を提案する。
  論文  参考訳（メタデータ） (2024-09-10T07:37:58Z)
• Retrieval-Enhanced Contrastive Vision-Text Models [61.783728119255365]
  そこで本研究では,メモリから取得したクロスモーダルな情報を推論時に表現することで,その埋め込みを洗練できる視覚テキストモデルを提案する。 注目すべきことに、これは凍ったCLIPの上に軽量の単層核融合トランスを用いて行うことができる。 検索強化コントラスト訓練(RECO)がCLIPの性能を大幅に向上することを示す。
  論文  参考訳（メタデータ） (2023-06-12T15:52:02Z)
• 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)
• Image Restoration by Deep Projected GSURE [115.57142046076164]
  Ill-posed inverse problem は、デブロアリングや超解像など、多くの画像処理アプリケーションに現れる。 本稿では,一般化されたSteinUnbiased Risk Estimator(GSURE)の「投影変換」とCNNによる潜在画像のパラメータ化を含む損失関数の最小化に基づく,新たな画像復元フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-04T08:52:46Z)
• Multi-Domain Adversarial Feature Generalization for Person Re-Identification [52.835955258959785]
  マルチデータセット特徴一般化ネットワーク(MMFA-AAE)を提案する。 複数のラベル付きデータセットから普遍的なドメイン不変の特徴表現を学習し、それを見えないカメラシステムに一般化することができる。 また、最先端の教師付き手法や教師なしのドメイン適応手法を大きなマージンで超えている。
  論文  参考訳（メタデータ） (2020-11-25T08:03:15Z)
• Blind Image Restoration with Flow Based Priors [19.190289348734215]
  未知の劣化を伴う盲点において、優れた先行性は依然として不可欠である。 本稿では, 正規化フローを用いて対象コンテンツの分布をモデル化し, 最大アフターリ(MAP)の定式化に先立ってこれを前もって用いることを提案する。 我々の知る限りでは、これは画像強調問題に先行する正規化フローを探求する最初の研究である。
  論文  参考訳（メタデータ） (2020-09-09T21:40:11Z)
• Old is Gold: Redefining the Adversarially Learned One-Class Classifier Training Paradigm [15.898383112569237]
  異常検出の一般的な方法は、逆数ネットワークのジェネレータを使用して異常スコアを定式化することである。 本研究では,幅広いトレーニング段階にわたって,安定した結果を効果的に生成するフレームワークを提案する。 我々のモデルは,最近の最先端手法を超越して,98.1%のフレームレベルAUCを実現する。
  論文  参考訳（メタデータ） (2020-04-16T13:48:58Z)
• BP-DIP: A Backprojection based Deep Image Prior [49.375539602228415]
  画像復元手法として, (i)Deep Image Prior (DIP) と (ii) バックプロジェクション (BP) の2つの手法を提案する。 提案手法はBP-DIP(BP-DIP)と呼ばれ,高いPSNR値とより優れた推論実行時間を持つ通常のDIPよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2020-03-11T17:09:12Z)

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。