論文の概要: Is Deep Image Prior in Need of a Good Education?
- arxiv url: http://arxiv.org/abs/2111.11926v1
- Date: Tue, 23 Nov 2021 15:08:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-24 20:03:14.963161
- Title: Is Deep Image Prior in Need of a Good Education?
- Title（参考訳）: 深部イメージは良い教育を必要としているか?
- Authors: Riccardo Barbano, Johannes Leuschner, Maximilian Schmidt, Alexander
Denker, Andreas Hauptmann, Peter Maa{\ss}, Bangti Jin
- Abstract要約: 画像再構成に有効な先行画像として, 奥行き画像が導入された。
その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。
計算課題に対処する2段階の学習パラダイムを開発する。
- 参考スコア（独自算出の注目度）: 57.3399060347311
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep image prior was recently introduced as an effective prior for image
reconstruction. It represents the image to be recovered as the output of a deep
convolutional neural network, and learns the network's parameters such that the
output fits the corrupted observation. Despite its impressive reconstructive
properties, the approach is slow when compared to learned or traditional
reconstruction techniques. Our work develops a two-stage learning paradigm to
address the computational challenge: (i) we perform a supervised pretraining of
the network on a synthetic dataset; (ii) we fine-tune the network's parameters
to adapt to the target reconstruction. We showcase that pretraining
considerably speeds up the subsequent reconstruction from real-measured micro
computed tomography data of biological specimens. The code and additional
experimental materials are available at
https://educateddip.github.io/docs.educated_deep_image_prior/.
- Abstract（参考訳）: 深部画像プリアーは画像再構成に有効なプリアーとして最近導入された。
これは、深層畳み込みニューラルネットワークの出力として回収されるイメージを表し、出力が破損した観察に適合するように、ネットワークのパラメータを学習する。
その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。
我々の研究は、計算課題に対処するための2段階の学習パラダイムを開発する。
(i)合成データセット上でネットワークの教師付き事前学習を行う。
(ii)ネットワークのパラメータを微調整し、目標の再構成に適応させる。
実測マイクロCTデータから得られた生体試料の再構成を,プレトレーニングにより大幅に高速化することを示す。
コードと追加の実験資料はhttps://educateddip.github.io/docs.educated_deep_image_prior/で入手できる。
関連論文リスト
- Understanding Reconstruction Attacks with the Neural Tangent Kernel and
Dataset Distillation [110.61853418925219]
我々は、データセット再構築攻撃のより強力なバージョンを構築し、無限の幅で設定されたエンペントリアルトレーニングを確実に回復する方法を示す。
理論的にも経験的にも再構成された画像は、データセットの「外部」に傾向を示す。
これらのリコンストラクション攻撃は, テクストデータセット蒸留において, 再構成画像上で再トレーニングを行い, 高い予測精度を得ることができる。
論文 参考訳（メタデータ） (2023-02-02T21:41:59Z) - MetaDIP: Accelerating Deep Image Prior with Meta Learning [15.847098400811188]
メタラーニングを用いて、DIPベースの再構築を大幅に加速する。
さまざまな逆イメージングタスクにおけるランタイムの10倍の改善を実演する。
論文 参考訳（メタデータ） (2022-09-18T02:41:58Z) - Convolutional Analysis Operator Learning by End-To-End Training of
Iterative Neural Networks [3.6280929178575994]
本稿では、反復ニューラルネットワークのエンドツーエンドトレーニングにより、畳み込みスペーシングフィルタを効率的に学習する方法を示す。
我々は,非カルテシアン2次元心血管MRI例に対するアプローチを検証し,得られたフィルタが,デカップリングプレトレーニングにより得られたものよりも,対応する再構成アルゴリズムに適していることを示した。
論文 参考訳（メタデータ） (2022-03-04T07:32:16Z) - Self-supervised Neural Networks for Spectral Snapshot Compressive
Imaging [15.616674529295366]
我々は、訓練されていないニューラルネットワークを用いて、スナップショット圧縮画像(SCI)の再構成問題を解決することを検討する。
本稿では,DIP(Deep Image Priors)やディープデコーダ(Deep Decoder)といった未学習のニューラルネットワークにヒントを得て,DIPをプラグアンドプレイシステムに統合して,スペクトルSCI再構成のための自己教師型ネットワークを構築する。
論文 参考訳（メタデータ） (2021-08-28T14:17:38Z) - Adaptive Gradient Balancing for UndersampledMRI Reconstruction and
Image-to-Image Translation [60.663499381212425]
本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。
MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
論文 参考訳（メタデータ） (2021-04-05T13:05:22Z) - Deep Artifact-Free Residual Network for Single Image Super-Resolution [0.2399911126932526]
本研究では,残差学習の利点と,地中構造像を目標として用いることの利点を活かしたDAFR(Deep Artifact-Free Residual)ネットワークを提案する。
我々のフレームワークは、高品質な画像再構成に必要な高周波情報を抽出するために、ディープモデルを用いている。
実験の結果,提案手法は既存の手法に比べて定量的,定性的な画像品質を実現することがわかった。
論文 参考訳（メタデータ） (2020-09-25T20:53:55Z) - NAS-DIP: Learning Deep Image Prior with Neural Architecture Search [65.79109790446257]
近年の研究では、深部畳み込みニューラルネットワークの構造が、以前に構造化された画像として利用できることが示されている。
我々は,より強い画像の先行を捉えるニューラルネットワークの探索を提案する。
既存のニューラルネットワーク探索アルゴリズムを利用して,改良されたネットワークを探索する。
論文 参考訳（メタデータ） (2020-08-26T17:59:36Z) - Neural Sparse Representation for Image Restoration [116.72107034624344]
スパース符号化に基づく画像復元モデルの堅牢性と効率に触発され,深部ネットワークにおけるニューロンの空間性について検討した。
本手法は,隠れたニューロンに対する空間的制約を構造的に強制する。
実験により、複数の画像復元タスクのためのディープニューラルネットワークではスパース表現が不可欠であることが示されている。
論文 参考訳（メタデータ） (2020-06-08T05:15:17Z) - Compressive sensing with un-trained neural networks: Gradient descent
finds the smoothest approximation [60.80172153614544]
訓練されていない畳み込みニューラルネットワークは、画像の回復と復元に非常に成功したツールとして登場した。
トレーニングされていない畳み込みニューラルネットワークは、ほぼ最小限のランダムな測定値から、十分に構造化された信号や画像を概ね再構成可能であることを示す。
論文 参考訳（メタデータ） (2020-05-07T15:57:25Z)
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。