論文の概要: Robust Equivariant Imaging: a fully unsupervised framework for learning to image from noisy and partial measurements

• arxiv url: http://arxiv.org/abs/2111.12855v1
• Date: Thu, 25 Nov 2021 00:49:45 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-29 18:20:58.522864
• Title: Robust Equivariant Imaging: a fully unsupervised framework for learning to image from noisy and partial measurements
• Title（参考訳）: Robust Equivariant Imaging:ノイズと部分的測定から画像を学ぶための完全に教師なしのフレームワーク
• Authors: Dongdong Chen, Juli\'an Tachella, Mike E. Davies
• Abstract要約: 本稿では,雑音による部分的計測だけで画像化を学べるロバスト同変イメージング(REI)フレームワークを提案する。 提案手法はStein's Unbiased Risk Estor (SURE) を用いて、ノイズに頑健な完全に教師なしのトレーニング損失を得る。 線形および非線形の逆問題に対してREIがかなりの性能向上をもたらすことを示し、それによってディープネットワークを用いた頑健な教師なしイメージングの道を開いた。
• 参考スコア（独自算出の注目度）: 20.21997582090349
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep networks provide state-of-the-art performance in multiple imaging inverse problems ranging from medical imaging to computational photography. However, most existing networks are trained with clean signals which are often hard or impossible to obtain. Equivariant imaging (EI) is a recent self-supervised learning framework that exploits the group invariance present in signal distributions to learn a reconstruction function from partial measurement data alone. While EI results are impressive, its performance degrades with increasing noise. In this paper, we propose a Robust Equivariant Imaging (REI) framework which can learn to image from noisy partial measurements alone. The proposed method uses Stein's Unbiased Risk Estimator (SURE) to obtain a fully unsupervised training loss that is robust to noise. We show that REI leads to considerable performance gains on linear and nonlinear inverse problems, thereby paving the way for robust unsupervised imaging with deep networks. Code will be available at: https://github.com/edongdongchen/REI.
• Abstract（参考訳）: 深層ネットワークは、医用画像から計算写真まで、複数の逆解析問題において最先端のパフォーマンスを提供する。 しかし、既存のネットワークの多くは、しばしば入手が困難または不可能なクリーンな信号で訓練されている。 EI(Equivariant Imaging)は、信号分布に存在する群不変性を利用して、部分的測定データのみから再構成関数を学習する、近年の自己教師型学習フレームワークである。 eiの結果は印象的だが、ノイズが増えると性能が低下する。 本稿では,雑音による部分的計測だけで画像化を学べるロバスト同変イメージング(REI)フレームワークを提案する。 提案手法は,stein の unbiased risk estimator (sure) を用いて,雑音に対して頑健な教師なし学習損失を得る。 線形および非線形の逆問題に対してREIがかなりの性能向上をもたらすことを示し、それによってディープネットワークを用いた頑健な教師なしイメージングの道を開いた。 コードは、https://github.com/edongdongchen/REI.comから入手できる。

関連論文リスト

• RIGID: A Training-free and Model-Agnostic Framework for Robust AI-Generated Image Detection [60.960988614701414]
  RIGIDは、堅牢なAI生成画像検出のためのトレーニング不要でモデルに依存しない方法である。 RIGIDは、既存のトレーニングベースおよびトレーニング不要な検出器を著しく上回っている。
  論文  参考訳（メタデータ） (2024-05-30T14:49:54Z)
• Transformer-based Clipped Contrastive Quantization Learning for Unsupervised Image Retrieval [15.982022297570108]
  教師なし画像検索は、与えられたクエリ画像の類似画像を取得するために、任意のレベルなしに重要な視覚的特徴を学習することを目的としている。 本稿では,パッチベースの処理により局所的なコンテキストを持つTransformerを用いて,画像のグローバルコンテキストを符号化するTransClippedCLRモデルを提案する。 提案したクリップ付きコントラスト学習の結果は、バニラコントラスト学習と同一のバックボーンネットワークと比較して、すべてのデータセットで大幅に改善されている。
  論文  参考訳（メタデータ） (2024-01-27T09:39:11Z)
• Compressed Sensing MRI Reconstruction Regularized by VAEs with Structured Image Covariance [7.544757765701024]
  本稿では, 逆問題に先立って, 地動画像に基づいて学習した生成モデルをどのように利用することができるかを検討する。 可変オートエンコーダ(VAE)を用いて、画像だけでなく、各画像に対する共分散不確実性行列を生成する。 提案した学習規則化手法を,他の学習規則化手法や教師なし,教師なしのディープラーニング手法と比較した。
  論文  参考訳（メタデータ） (2022-10-26T09:51:49Z)
• CVF-SID: Cyclic multi-Variate Function for Self-Supervised Image Denoising by Disentangling Noise from Image [53.76319163746699]
  そこで本研究では,CVF-SIDと呼ばれる,新しい,強力な自己監督型デノベーション手法を提案する。 CVF-SIDは、様々な自己教師付き損失項を活用することにより、入力からクリーンな画像とノイズマップを分離することができる。 最先端の自己監督型画像復調性能を達成し、既存のアプローチに匹敵する。
  論文  参考訳（メタデータ） (2022-03-24T11:59:28Z)
• Denoising Diffusion Restoration Models [110.1244240726802]
  Denoising Diffusion Restoration Models (DDRM) は効率的で教師なしの後方サンプリング手法である。 DDRMの汎用性を、超高解像度、デブロアリング、インペイント、カラー化のためにいくつかの画像データセットに示す。
  論文  参考訳（メタデータ） (2022-01-27T20:19:07Z)
• Deep Image Prior using Stein's Unbiased Risk Estimator: SURE-DIP [31.408877556706376]
  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。
  論文  参考訳（メタデータ） (2021-11-21T20:11:56Z)
• Inverse Problems Leveraging Pre-trained Contrastive Representations [88.70821497369785]
  破損したデータの表現を復元するための新しい逆問題群について検討する。 コントラスト目的を用いた教師付きインバージョン手法を提案する。 提案手法は,幅広いフォワード演算子においてラベル付きデータのごく一部であっても,エンド・ツー・エンドのベースラインよりも優れる。
  論文  参考訳（メタデータ） (2021-10-14T15:06:30Z)
• Hyperspectral Denoising Using Unsupervised Disentangled Spatio-Spectral Deep Priors [10.65207459525818]
  近年、データ駆動ニューラルネットワークは、rgb自然画像のノイズ化に有望な性能を示している。 データ駆動の事前処理は、トレーニングデータがないため、ハイパースペクトル画像の取得が難しい。 この研究は、HSIの古典的スペクトル分解に基づく教師なしのDIPフレームワークを提供する。
  論文  参考訳（メタデータ） (2021-02-24T14:38:51Z)
• 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)
• Fully Unsupervised Diversity Denoising with Convolutional Variational Autoencoders [81.30960319178725]
  完全畳み込み変分オートエンコーダ(VAE)に基づく復調手法であるDivNoisingを提案する。 まず, 撮像ノイズモデルをデコーダに明示的に組み込むことにより, 教師なしの雑音発生問題をVAEフレームワーク内に定式化する手法を提案する。 このようなノイズモデルは、ノイズの多いデータから測定したり、ブートストラップしたり、トレーニング中に共同学習したりすることが可能である。
  論文  参考訳（メタデータ） (2020-06-10T21:28:13Z)
• Reconstructing the Noise Manifold for Image Denoising [56.562855317536396]
  本稿では,画像ノイズ空間の構造を明示的に活用するcGANを提案する。 画像ノイズの低次元多様体を直接学習することにより、この多様体にまたがる情報のみをノイズ画像から除去する。 我々の実験に基づいて、我々のモデルは既存の最先端アーキテクチャを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-02-11T00:31:31Z)

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。