論文の概要: WPPNets: Unsupervised CNN Training with Wasserstein Patch Priors for Image Superresolution

• arxiv url: http://arxiv.org/abs/2201.08157v1
• Date: Thu, 20 Jan 2022 13:04:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-21 13:58:05.903124
• Title: WPPNets: Unsupervised CNN Training with Wasserstein Patch Priors for Image Superresolution
• Title（参考訳）: WPPNets: イメージスーパーレゾリューションのためのWasserstein Patchによる教師なしCNNトレーニング
• Authors: Fabian Altekr\"uger, Johannes Hertrich
• Abstract要約: WPPNetは、材料の超解像のための新しい教師なし損失関数によって訓練されたCNNである。 WPPNetsはフォワード演算子の不正確な知識や摂動の下でずっと安定であることを示す。
• 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: We introduce WPPNets, which are CNNs trained by a new unsupervised loss function for image superresolution of materials microstructures. Instead of requiring access to a large database of registered high- and low-resolution images, we only assume to know a large database of low resolution images, the forward operator and one high-resolution reference image. Then, we propose a loss function based on the Wasserstein patch prior which measures the Wasserstein-2 distance between the patch distributions of the predictions and the reference image. We demonstrate by numerical examples that WPPNets outperform other methods with similar assumptions. In particular, we show that WPPNets are much more stable under inaccurate knowledge or perturbations of the forward operator. This enables us to use them in real-world applications, where neither a large database of registered data nor the exact forward operator are given.
• Abstract（参考訳）: 材料微細構造の超解像のための新しい教師なし損失関数によって訓練されたCNNであるWPPNetを紹介する。 登録された高解像度画像や低解像度画像の大規模なデータベースにアクセスする代わりに、低解像度画像、フォワード演算子、高解像度参照画像の大規模なデータベースを知ることが前提となる。 そこで本研究では,予測のパッチ分布と参照画像との間のワッサースタイン-2距離を測定するワッサースタインパッチを用いた損失関数を提案する。 我々はWPPNetsが同様の仮定で他の手法より優れていることを数値例で示す。 特に、WPPNetはフォワード演算子の不正確な知識や摂動の下でずっと安定であることを示す。 これにより、登録された大量のデータベースも正確なフォワード演算子も提供されない現実世界のアプリケーションで利用できます。

関連論文リスト

• Chasing Better Deep Image Priors between Over- and Under-parameterization [63.8954152220162]
  そこで本研究では,DNN固有の空間性を利用して,LIP(lottery image prior)を新たに検討する。 LIPworksは、コンパクトなモデルサイズでディープデコーダを著しく上回っている。 また、LIPを圧縮センシング画像再構成に拡張し、事前学習したGANジェネレータを前者として使用する。
  論文  参考訳（メタデータ） (2024-10-31T17:49:44Z)
• SCAResNet: A ResNet Variant Optimized for Tiny Object Detection in Transmission and Distribution Towers [0.42028553027796633]
  従来のディープラーニングベースのオブジェクト検出ネットワークは、データ前処理の段階でイメージをリサイズし、特徴マップの均一なサイズとスケールを達成する。 本研究では,複数の表現部分空間からコンテキスト情報を抽出し学習するために,位置対応型マルチヘッドCriss-Cross Imageryを導入する。 このアプローチにより、大きさやスケールの異なる画像が一様次元の特徴写像を生成でき、特徴写像の伝搬に利用できる。
  論文  参考訳（メタデータ） (2024-04-05T15:48:36Z)
• 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)
• Generic Perceptual Loss for Modeling Structured Output Dependencies [78.59700528239141]
  トレーニングされた重みではなく、ネットワーク構造が重要であることを示す。 我々は、出力の構造化依存関係をモデル化するためにランダムに重み付けされたディープcnnが使用できることを実証する。
  論文  参考訳（メタデータ） (2021-03-18T23:56:07Z)
• 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)
• Shared Prior Learning of Energy-Based Models for Image Reconstruction [69.72364451042922]
  本研究では,地中真理データを含まないトレーニングに特化して設計された画像再構成のための新しい学習ベースフレームワークを提案する。 基底真理データがない場合には、損失関数をパッチベースのワッサーシュタイン関数に変更する。 共用事前学習では、上記の最適制御問題と正規化器の共用学習パラメータを同時に最適化する。
  論文  参考訳（メタデータ） (2020-11-12T17:56:05Z)
• Same Same But DifferNet: Semi-Supervised Defect Detection with Normalizing Flows [24.734388664558708]
  畳み込みニューラルネットワークによって抽出された特徴の記述性を利用して、その密度を推定する。 これらの可能性に基づいて、欠陥を示すスコアリング関数を開発する。 本稿では,新しいMVTec ADとMagnetic Tile Defectsデータセットに対する既存のアプローチよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2020-08-28T10:49:28Z)
• Pixel-in-Pixel Net: Towards Efficient Facial Landmark Detection in the Wild [104.61677518999976]
  顔のランドマークを検出するために,Pixel-in-Pixel Net(PIPNet)を提案する。 提案モデルは,熱マップ回帰に基づく新しい検出ヘッドを備える。 PIPNetのクロスドメイン一般化能力をさらに向上するため,カリキュラムによる自己学習を提案する。
  論文  参考訳（メタデータ） (2020-03-08T12:23:42Z)

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。