論文の概要: Survey of Deep Learning Methods for Inverse Problems
- arxiv url: http://arxiv.org/abs/2111.04731v1
- Date: Sun, 7 Nov 2021 23:44:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-10 14:49:41.757358
- Title: Survey of Deep Learning Methods for Inverse Problems
- Title（参考訳）: 逆問題に対するディープラーニング手法の検討
- Authors: Shima Kamyab, Zihreh Azimifar, Rasool Sabzi, Paul Fieguth
- Abstract要約: 逆問題を解決するための様々なディープラーニング戦略について検討する。
3つのカテゴリの頑健さを比較するために,各逆問題型のサンプルを選択する。
各逆問題クラスに対して最も堅牢な解圏を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper we investigate a variety of deep learning strategies for
solving inverse problems. We classify existing deep learning solutions for
inverse problems into three categories of Direct Mapping, Data Consistency
Optimizer, and Deep Regularizer. We choose a sample of each inverse problem
type, so as to compare the robustness of the three categories, and report a
statistical analysis of their differences. We perform extensive experiments on
the classic problem of linear regression and three well-known inverse problems
in computer vision, namely image denoising, 3D human face inverse rendering,
and object tracking, selected as representative prototypes for each class of
inverse problems. The overall results and the statistical analyses show that
the solution categories have a robustness behaviour dependent on the type of
inverse problem domain, and specifically dependent on whether or not the
problem includes measurement outliers. Based on our experimental results, we
conclude by proposing the most robust solution category for each inverse
problem class.
- Abstract（参考訳）: 本稿では,逆問題を解くための様々な深層学習戦略について検討する。
逆問題に対する既存のディープラーニングソリューションを,ダイレクトマッピング,データ一貫性最適化,Deep Regularizerの3つのカテゴリに分類する。
3つのカテゴリのロバスト性を比較するために,各逆問題型のサンプルを選択し,それらの差異を統計的に分析する。
本稿では,線形回帰問題とコンピュータビジョンにおける3つのよく知られた逆問題,すなわち画像の雑音化,3次元人間の顔の逆レンダリング,オブジェクト追跡について,それぞれの逆問題の代表的なプロトタイプとして選択した。
結果と統計解析の結果から, 解群は逆問題領域の種類に依存した頑健な振る舞いを持ち, 測定異常を含むか否かに特に依存することがわかった。
実験結果に基づき,各逆問題クラスに対して最もロバストな解カテゴリを提案する。
関連論文リスト
- A Survey on Diffusion Models for Inverse Problems [110.6628926886398]
本稿では, 事前学習した拡散モデルを用いて, さらなる学習を必要とせず, 逆問題の解法について概説する。
逆問題に対する潜伏拡散モデルの使用に伴う具体的な課題と潜在的な解決策について論じる。
論文 参考訳（メタデータ） (2024-09-30T17:34:01Z) - A Guide to Stochastic Optimisation for Large-Scale Inverse Problems [4.926711494319977]
最適化アルゴリズムは、大量のデータを持つ機械学習のデファクトスタンダードです。
我々は、逆問題の観点から、最適化における最先端の総合的な説明を提供する。
私たちは、機械学習で一般的に遭遇しない、ユニークな最適化の課題に焦点を合わせています。
論文 参考訳（メタデータ） (2024-06-10T15:02:30Z) - Source Condition Double Robust Inference on Functionals of Inverse
Problems [71.42652863687117]
線形逆問題に対する解の線形汎関数として定義されるパラメータの推定を考察する。
本稿では,第1のソース条件である二重ロバスト推論法を提案する。
論文 参考訳（メタデータ） (2023-07-25T19:54:46Z) - Application of machine learning regression models to inverse eigenvalue
problems [0.0]
機械学習の観点から逆固有値問題の数値解について検討する。
対称ポテンシャルの逆ストラム・リウヴィル固有値問題と球対称屈折率の逆透過固有値問題とがある。
論文 参考訳（メタデータ） (2022-12-08T14:15:01Z) - Vector-Valued Least-Squares Regression under Output Regularity
Assumptions [73.99064151691597]
最小二乗回帰問題を無限次元出力で解くために,還元ランク法を提案し,解析する。
提案手法の学習バウンダリを導出し、フルランク手法と比較して統計的性能の設定を改善する研究を行う。
論文 参考訳（メタデータ） (2022-11-16T15:07:00Z) - A Novel Plug-and-Play Approach for Adversarially Robust Generalization [38.72514422694518]
本稿では,MLモデルを摂動テストデータから保護するために,逆向きに堅牢なトレーニングを採用する頑健なフレームワークを提案する。
私たちの貢献は、計算学と統計学の両方の観点から見ることができます。
論文 参考訳（メタデータ） (2022-08-19T17:02:55Z) - Follow the bisector: a simple method for multi-objective optimization [65.83318707752385]
複数の異なる損失を最小化しなければならない最適化問題を考える。
提案手法は、各イテレーションにおける降下方向を計算し、目的関数の相対的減少を等しく保証する。
論文 参考訳（メタデータ） (2020-07-14T09:50:33Z) - Total Deep Variation: A Stable Regularizer for Inverse Problems [71.90933869570914]
本稿では,データ駆動型汎用全深度変動正規化器について紹介する。
コアでは、畳み込みニューラルネットワークが複数のスケールや連続したブロックで局所的な特徴を抽出する。
我々は多数の画像処理タスクに対して最先端の結果を得る。
論文 参考訳（メタデータ） (2020-06-15T21:54:15Z) - Regularization of Inverse Problems by Neural Networks [0.0]
逆問題は、計算トモグラフィー、非破壊検査、リモートセンシングを含む様々な画像アプリケーションで発生する。
逆問題の特徴は、解の非特異性と不安定性である。
ディープラーニング技術とニューラルネットワークは、逆問題に対する古典的解法を大幅に上回ることを示した。
論文 参考訳（メタデータ） (2020-06-06T20:49:12Z) - Total Deep Variation for Linear Inverse Problems [71.90933869570914]
本稿では,近年のアーキテクチャ設計パターンを深層学習から活用する,学習可能な汎用正規化手法を提案する。
本稿では,古典的画像復元と医用画像再構成問題に対する最先端の性能について述べる。
論文 参考訳（メタデータ） (2020-01-14T19:01:50Z)
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。