Fugu-MT 論文翻訳(概要): Alternative design of DeepPDNet in the context of image restoration

論文の概要: Alternative design of DeepPDNet in the context of image restoration

arxiv url: http://arxiv.org/abs/2202.09810v1
Date: Sun, 20 Feb 2022 13:15:39 GMT
ステータス: 処理完了
システム内更新日: 2022-02-23 08:50:16.081468
Title: Alternative design of DeepPDNet in the context of image restoration
Title（参考訳）: 画像復元におけるDeepPDNetの代替設計
Authors: Mingyuan Jiu and Nelly Pustelnik
Abstract要約: この研究は、展開されたシャンブル・ポックの原始対数反復に依存する画像復元ディープネットワークを設計した。我々のネットワークのパラメータは、シャンブル・ポックスキームのステップサイズと、疎度に基づくペナル化に関わる線形作用素である。
参考スコア（独自算出の注目度）: 8.797434238081372
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: This work designs an image restoration deep network relying on unfolded Chambolle-Pock primal-dual iterations. Each layer of our network is built from Chambolle-Pock iterations when specified for minimizing a sum of a $\ell_2$-norm data-term and an analysis sparse prior. The parameters of our network are the step-sizes of the Chambolle-Pock scheme and the linear operator involved in sparsity-based penalization, including implicitly the regularization parameter. A backpropagation procedure is fully described. Preliminary experiments illustrate the good behavior of such a deep primal-dual network in the context of image restoration on BSD68 database.
Abstract（参考訳）: 本研究は,未解決のチャンボレル・ポック・プリマル・デュアルイテレーションに基づく画像復元深層ネットワークをデザインする。ネットワークの各レイヤは、$\ell_2$-normのデータタームと分析スパースを最小化するために指定された場合に、chambolle-pockイテレーションから構築されます。我々のネットワークのパラメータは、シャンブル・ポックスキームのステップサイズと、正規化パラメータを含む空間的ペナル化に関与する線形作用素である。バックプロパゲーション手順を完全に記述する。 BSD68データベース上の画像復元の文脈において、このような深層原始双対ネットワークの良好な挙動を予備実験で示す。

関連論文リスト

Compression with Bayesian Implicit Neural Representations [16.593537431810237]
本稿では,データに変分ニューラルネットワークをオーバーフィッティングし,相対エントロピー符号化を用いて近似後重みサンプルを圧縮し,量子化やエントロピー符号化を行う。実験により,本手法は単純さを維持しつつ,画像および音声の圧縮に強い性能を発揮することが示された。
論文参考訳（メタデータ） (2023-05-30T16:29:52Z)
Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
論文参考訳（メタデータ） (2023-03-16T21:06:13Z)
Bayesian Interpolation with Deep Linear Networks [92.1721532941863]
ニューラルネットワークの深さ、幅、データセットサイズがモデル品質にどう影響するかを特徴付けることは、ディープラーニング理論における中心的な問題である。線形ネットワークが無限深度で証明可能な最適予測を行うことを示す。また、データに依存しない先行法により、広い線形ネットワークにおけるベイズ模型の証拠は無限の深さで最大化されることを示す。
論文参考訳（メタデータ） (2022-12-29T20:57:46Z)
DreamNet: A Deep Riemannian Network based on SPD Manifold Learning for Visual Classification [36.848148506610364]
SPD行列学習のための新しいアーキテクチャを提案する。深層表現を豊かにするために、SPDNetをバックボーンとして採用する。次に、SRAEの表現能力を高めるために、ショートカット接続を持つ残余ブロックをいくつか挿入する。
論文参考訳（メタデータ） (2022-06-16T07:15:20Z)
Boosting Pruned Networks with Linear Over-parameterization [8.796518772724955]
構造化プルーニングは、高速な推論のためのチャネル(フィルタ)を減らし、実行時にフットプリントを低くすることで、ニューラルネットワークを圧縮する。プルーニング後の精度を回復するため、細調整は通常、プルーニングネットワークに適用される。そこで我々は,まず,細調整パラメータの数を増やすために,刈り込みネットワーク内のコンパクト層を線形に過剰にパラメータ化する手法を提案する。
論文参考訳（メタデータ） (2022-04-25T05:30:26Z)
Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
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。
論文参考訳（メタデータ） (2021-11-23T15:08:26Z)
Riggable 3D Face Reconstruction via In-Network Optimization [58.016067611038046]
本稿では,単眼画像からの3次元顔再構成法を提案する。表情、ポーズ、照明を含む画像ごとのパーソナライズされた顔リグとパラメータを共同で推定する。実験により,SOTA復元精度,ロバスト性,一般化能力が得られた。
論文参考訳（メタデータ） (2021-04-08T03:53:20Z)
Progressively Guided Alternate Refinement Network for RGB-D Salient Object Detection [63.18846475183332]
我々は,RGB-Dの高次物体検出のための効率的かつコンパクトなディープネットワークを開発することを目指している。そこで本研究では,改良のための改良ネットワークを提案する。我々のモデルは、既存の最先端のアプローチよりも大きなマージンで優れています。
論文参考訳（メタデータ） (2020-08-17T02:55:06Z)
Perceptually Optimizing Deep Image Compression [53.705543593594285]
平均二乗誤差(MSE)と$ell_p$ノルムは、ニューラルネットワークの損失の測定で大きく支配されている。本稿では,定量的知覚モデルに対して,画像解析ネットワークを最適化するための異なるプロキシ手法を提案する。
論文参考訳（メタデータ） (2020-07-03T14:33:28Z)
A deep primal-dual proximal network for image restoration [8.797434238081372]
我々は、プリミティブ・デュアル・イテレーションから構築されたディープPDNetというディープネットワークを設計し、前もって分析を行い、標準的なペナル化可能性の最小化を図った。フルラーニング」と「パートラーニング」の2つの異なる学習戦略が提案され、第1は最も効率的な数値である。以上の結果から,提案したDeepPDNetは,MNISTと,より複雑なBSD68,BSD100,SET14データセットにおいて,画像復元と単一画像超解像処理に優れた性能を示した。
論文参考訳（メタデータ） (2020-07-02T08:29:52Z)

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。