Fugu-MT 論文翻訳(概要): Deep Image Prior using Stein's Unbiased Risk Estimator: SURE-DIP

論文の概要: Deep Image Prior using Stein's Unbiased Risk Estimator: SURE-DIP

arxiv url: http://arxiv.org/abs/2111.10892v1
Date: Sun, 21 Nov 2021 20:11:56 GMT
ステータス: 処理完了
システム内更新日: 2021-11-24 05:25:18.503769
Title: Deep Image Prior using Stein's Unbiased Risk Estimator: SURE-DIP
Title（参考訳）: stein's unbiased risk estimatorを使ったディープイメージ
Authors: Maneesh John, Hemant Kumar Aggarwal, Qing Zou, Mathews Jacob
Abstract要約: 超高解像度イメージングを含む多くのイメージングアプリケーションでは、トレーニングデータが不足している。シングルショット画像回復のためのディープ画像先行アルゴリズム(DIP)が導入され、トレーニングデータの必要性を完全に排除した。オーバーフィッティングを最小限に抑えるため,一般化されたStein's Unbiased Risk Estimation (GSURE)損失指標を導入する。
参考スコア（独自算出の注目度）: 31.408877556706376
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Deep learning algorithms that rely on extensive training data are revolutionizing image recovery from ill-posed measurements. Training data is scarce in many imaging applications, including ultra-high-resolution imaging. The deep image prior (DIP) algorithm was introduced for single-shot image recovery, completely eliminating the need for training data. A challenge with this scheme is the need for early stopping to minimize the overfitting of the CNN parameters to the noise in the measurements. We introduce a generalized Stein's unbiased risk estimate (GSURE) loss metric to minimize the overfitting. Our experiments show that the SURE-DIP approach minimizes the overfitting issues, thus offering significantly improved performance over classical DIP schemes. We also use the SURE-DIP approach with model-based unrolling architectures, which offers improved performance over direct inversion schemes.
Abstract（参考訳）: 広範なトレーニングデータに依存するディープラーニングアルゴリズムは、不適切な測定結果からイメージリカバリに革命をもたらしている。超高解像度イメージングを含む多くのイメージングアプリケーションでは、トレーニングデータが不足している。シングルショット画像回復のためのディープ画像先行アルゴリズム(DIP)を導入し、トレーニングデータの必要性を完全に排除した。この方式の課題は、cnnパラメータのノイズへのオーバーフィットを最小限に抑えるために早期停止が必要であることである。オーバーフィッティングを最小限に抑えるため,一般化されたStein's Unbiased Risk Estimation (GSURE)損失指標を導入する。実験の結果,SURE-DIPアプローチはオーバーフィッティングの問題を最小限に抑え,従来のDIP方式よりも性能が大幅に向上した。また、SURE-DIPアプローチをモデルベースアンローリングアーキテクチャと併用し、直接反転方式よりも優れた性能を提供する。

関連論文リスト

Analysis of Deep Image Prior and Exploiting Self-Guidance for Image Reconstruction [13.277067849874756]
DIPがアンダーサンプドイメージング計測からどのように情報を回収するかを検討する。ネットワーク重みと入力の両方を同時に最適化する自己駆動型再構築プロセスを導入する。提案手法は,ネットワーク入力画像と再構成画像の両方の堅牢かつ安定した関節推定を可能にする,新しいデノイザ正規化項を組み込んだものである。
論文参考訳（メタデータ） (2024-02-06T15:52:23Z)
Curvature regularization for Non-line-of-sight Imaging from Under-sampled Data [5.591221518341613]
非視線イメージング(NLOS)は、視線で測定されたデータから3次元の隠れたシーンを再構築することを目的としている。曲率正規化に基づく新しいNLOS再構成モデルを提案する。提案したアルゴリズムを,合成データセットと実データセットの両方で評価する。
論文参考訳（メタデータ） (2023-01-01T14:10:43Z)
A Fast Alternating Minimization Algorithm for Coded Aperture Snapshot Spectral Imaging Based on Sparsity and Deep Image Priors [8.890754092562918]
Coded Aperture snapshot Spectrum Imaging (CASSI)は、3次元ハイパースペクトル画像(HSI)を再構成する技術である。本稿では,自然画像の空間と深部画像の先行値(Fama-P)に基づいて,高速な変動最小化アルゴリズムを提案する。
論文参考訳（メタデータ） (2022-06-12T03:29:14Z)
Implicit Neural Representations for Image Compression [103.78615661013623]
Inlicit Neural Representations (INRs) は、様々なデータ型の新規かつ効果的な表現として注目されている。量子化、量子化を考慮した再学習、エントロピー符号化を含むINRに基づく最初の包括的圧縮パイプラインを提案する。我々は、INRによるソース圧縮に対する我々のアプローチが、同様の以前の作業よりも大幅に優れていることに気付きました。
論文参考訳（メタデータ） (2021-12-08T13:02:53Z)
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)
Model Adaptation for Image Reconstruction using Generalized Stein's Unbiased Risk Estimator [34.08815401541628]
我々は、ネットワークを計測したk空間データに適応させるために、一般化ステインのアンバイアスドリスク推定(GSURE)損失指標を導入する。 kspaceの平均二乗誤差に依存する現在の方法とは異なり、提案されたメトリックは測定におけるノイズを計る。
論文参考訳（メタデータ） (2021-01-29T20:16:45Z)
ENSURE: A General Approach for Unsupervised Training of Deep Image Reconstruction Algorithms [29.864637081333086]
この研究は、深層画像再構成アルゴリズムを訓練するための一般的なアプローチとして、ENsemble Stein's Unbiased Risk Estimate (ENSURE)フレームワークを紹介した。実測データのみを用いるENSURE損失関数は,真の平均二乗誤差の偏りのない推定値であることを示す。この損失関数でトレーニングされたネットワークは、教師付き設定に匹敵する再構成を提供できることを示す。
論文参考訳（メタデータ） (2020-10-20T21:18:33Z)
Deep Variational Network Toward Blind Image Restoration [60.45350399661175]
ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
論文参考訳（メタデータ） (2020-08-25T03:30:53Z)
Extrapolation for Large-batch Training in Deep Learning [72.61259487233214]
我々は、バリエーションのホストが、我々が提案する統一されたフレームワークでカバー可能であることを示す。本稿では,この手法の収束性を証明し,ResNet,LSTM,Transformer上での経験的性能を厳格に評価する。
論文参考訳（メタデータ） (2020-06-10T08:22:41Z)
The Power of Triply Complementary Priors for Image Compressive Sensing [89.14144796591685]
本稿では,一対の相補的な旅先を含むLRD画像モデルを提案する。次に、画像CSのためのRDモデルに基づく新しいハイブリッド・プラグイン・アンド・プレイ・フレームワークを提案する。そこで,提案したH-based image CS問題の解法として,単純で効果的なアルゴリズムを提案する。
論文参考訳（メタデータ） (2020-05-16T08:17:44Z)
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。