論文の概要: Deep Equilibrium Models for Video Snapshot Compressive Imaging

• arxiv url: http://arxiv.org/abs/2201.06931v1
• Date: Tue, 18 Jan 2022 12:49:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-19 21:18:06.208967
• Title: Deep Equilibrium Models for Video Snapshot Compressive Imaging
• Title（参考訳）: ビデオスナップショット圧縮イメージングのためのDeep Equilibrium Model
• Authors: Yaping Zhao, Siming Zheng, Xin Yuan
• Abstract要約: 本稿では,ビデオ圧縮画像(SCI)再構成のためのDeep equilibrium model (DEQ)を提案する。 各平衡モデルは暗黙的に非拡張作用素を学習し、解析的に固定点を計算し、無限反復ステップと無限ネットワーク深さを可能にする。
• 参考スコア（独自算出の注目度）: 7.723778852967041
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The ability of snapshot compressive imaging (SCI) systems to efficiently capture high-dimensional (HD) data has led to an inverse problem, which consists of recovering the HD signal from the compressed and noisy measurement. While reconstruction algorithms grow fast to solve it with the recent advances of deep learning, the fundamental issue of accurate and stable recovery remains. To this end, we propose deep equilibrium models (DEQ) for video SCI, fusing data-driven regularization and stable convergence in a theoretically sound manner. Each equilibrium model implicitly learns a nonexpansive operator and analytically computes the fixed point, thus enabling unlimited iterative steps and infinite network depth with only a constant memory requirement in training and testing. Specifically, we demonstrate how DEQ can be applied to two existing models for video SCI reconstruction: recurrent neural networks (RNN) and Plug-and-Play (PnP) algorithms. On a variety of datasets and real data, both quantitative and qualitative evaluations of our results demonstrate the effectiveness and stability of our proposed method. The code and models will be released to the public.
• Abstract（参考訳）: 高次元(HD)データを効率的にキャプチャするスナップショット圧縮イメージング(SCI)システムの能力は、圧縮・雑音測定からHD信号を復元する逆問題を引き起こしている。 近年のディープラーニングの進歩により、再構築アルゴリズムは急速に進化するが、正確で安定したリカバリの根本的な問題は依然として残っている。 そこで本稿では,データ駆動型正規化と安定収束を理論的に健全に融合したビデオSCIのためのDeep equilibrium Model (DEQ)を提案する。 各平衡モデルは暗黙的に非拡張演算子を学習し、定点を解析的に計算し、トレーニングとテストにおいて一定のメモリ要件のみを伴って無限反復ステップと無限ネットワーク深さを可能にする。 具体的には、リカレントニューラルネットワーク(RNN)とPlug-and-Play(PnP)アルゴリズムの2つの既存のビデオSCI再構成モデルにDECを適用する方法を示す。 各種データセットと実データを用いて,提案手法の有効性と安定性について定量的および定性的な評価を行った。 コードとモデルは一般公開される予定だ。

関連論文リスト

• Accelerated zero-order SGD under high-order smoothness and overparameterized regime [79.85163929026146]
  凸最適化問題を解くための新しい勾配のないアルゴリズムを提案する。 このような問題は医学、物理学、機械学習で発生する。 両種類の雑音下で提案アルゴリズムの収束保証を行う。
  論文  参考訳（メタデータ） (2024-11-21T10:26:17Z)
• Untrained Neural Nets for Snapshot Compressive Imaging: Theory and Algorithms [15.54330224419903]
  スナップショット圧縮イメージング(SCI)は、単一の2次元計測から高次元(3D)データキューブを復元する。 本稿では、DIP(Deep Image prior)などの未学習ニューラルネットワーク(UNN)を用いたSCI回復アルゴリズムに着目し、ソース構造をモデル化する。
  論文  参考訳（メタデータ） (2024-06-06T02:22:43Z)
• MsDC-DEQ-Net: Deep Equilibrium Model (DEQ) with Multi-scale Dilated Convolution for Image Compressive Sensing (CS) [0.0]
  圧縮センシング(CS)は、従来のサンプリング法よりも少ない測定値を用いてスパース信号の回復を可能にする技術である。 我々はCSを用いた自然画像再構成のための解釈可能かつ簡潔なニューラルネットワークモデルを構築した。 MsDC-DEQ-Netと呼ばれるこのモデルは、最先端のネットワークベースの手法と比較して、競争力のある性能を示す。
  論文  参考訳（メタデータ） (2024-01-05T16:25:58Z)
• Deep Equilibrium Diffusion Restoration with Parallel Sampling [120.15039525209106]
  拡散モデルに基づく画像復元(IR)は、拡散モデルを用いて劣化した画像から高品質な(本社)画像を復元し、有望な性能を達成することを目的としている。 既存のほとんどの手法では、HQイメージをステップバイステップで復元するために長いシリアルサンプリングチェーンが必要であるため、高価なサンプリング時間と高い計算コストがかかる。 本研究では,拡散モデルに基づくIRモデルを異なる視点,すなわちDeqIRと呼ばれるDeQ(Deep equilibrium)固定点系で再考することを目的とする。
  論文  参考訳（メタデータ） (2023-11-20T08:27:56Z)
• Physics-Driven Turbulence Image Restoration with Stochastic Refinement [80.79900297089176]
  大気乱流による画像歪みは、長距離光学画像システムにおいて重要な問題である。 ディープラーニングモデルが現実世界の乱流条件に適応するために、高速で物理学的なシミュレーションツールが導入された。 本稿では,物理統合復元ネットワーク(PiRN)を提案する。
  論文  参考訳（メタデータ） (2023-07-20T05:49:21Z)
• Implicit Stochastic Gradient Descent for Training Physics-informed Neural Networks [51.92362217307946]
  物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。 PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。 本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
  論文  参考訳（メタデータ） (2023-03-03T08:17:47Z)
• Self-Supervised Deep Equilibrium Models for Inverse Problems with Theoretical Guarantees [12.724731147883316]
  DEQモデル-事実上無限の層数を持つ単純ニューラルネットワーク-深部展開(DU)に伴うメモリ複雑性を伴わずに最先端の画像再構成を実現することが示されている。 本稿では, 自己教師型深層平衡モデル(SelfDEQ)を, アンダーサンプルとノイズの多いMRI計測からモデルに基づく暗黙的ネットワークをトレーニングするための, 初めての自己教師型再構成フレームワークとして提示する。
  論文  参考訳（メタデータ） (2022-10-07T22:19:26Z)
• Revisit Dictionary Learning for Video Compressive Sensing under the Plug-and-Play Framework [4.988065198958319]
  本稿では,ビデオSCI再構成のための効率的かつ効率的な圧縮ベースアルゴリズムを提案する。 シミュレーションの結果,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2021-10-11T02:30:54Z)
• Stabilizing Equilibrium Models by Jacobian Regularization [151.78151873928027]
  ディープ均衡ネットワーク(Deep equilibrium Network, DEQs)は、単一非線形層の固定点を見つけるために従来の深さを推定する新しいモデルのクラスである。 本稿では、平衡モデルの学習を安定させるために、固定点更新方程式のヤコビアンを明示的に正規化するDECモデルの正規化スキームを提案する。 この正規化は計算コストを最小限に抑え、前方と後方の両方の固定点収束を著しく安定化させ、高次元の現実的な領域に順応することを示した。
  論文  参考訳（メタデータ） (2021-06-28T00:14:11Z)
• Closed-form Continuous-Depth Models [99.40335716948101]
  連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。 我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
  論文  参考訳（メタデータ） (2021-06-25T22:08:51Z)

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。