論文の概要: Image reconstruction algorithms in radio interferometry: from
handcrafted to learned denoisers
- arxiv url: http://arxiv.org/abs/2202.12959v1
- Date: Fri, 25 Feb 2022 20:26:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-04 12:50:25.508048
- Title: Image reconstruction algorithms in radio interferometry: from
handcrafted to learned denoisers
- Title（参考訳）: 電波干渉法における画像再構成アルゴリズム:手作りから学習デノイザーへ
- Authors: Matthieu Terris, Arwa Dabbech, Chao Tang, Yves Wiaux
- Abstract要約: 本稿では,プラグイン・アンド・プレイ方式にヒントを得た,無線干渉計測のための新しい画像再構成アルゴリズムを提案する。
このアプローチは、ディープニューラルネットワーク(DNN)をノイズとしてトレーニングすることで、事前の画像モデルを学ぶことで構成される。
学習したデノイザをフォワード-バックワード最適化アルゴリズムにプラグインし、デノイザのステップをグラデーション-ディフレッシュなデータ-忠実度ステップで交互に繰り返す単純な反復構造を与える。
- 参考スコア（独自算出の注目度）: 7.1439425093981574
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce a new class of iterative image reconstruction algorithms for
radio interferometry, at the interface of convex optimization and deep
learning, inspired by plug-and-play methods. The approach consists in learning
a prior image model by training a deep neural network (DNN) as a denoiser, and
substituting it for the handcrafted proximal regularization operator of an
optimization algorithm. The proposed AIRI ("AI for Regularization in
Radio-Interferometric Imaging") framework, for imaging complex intensity
structure with diffuse and faint emission, inherits the robustness and
interpretability of optimization, and the learning power and speed of networks.
Our approach relies on three steps. Firstly, we design a low dynamic range
database for supervised training from optical intensity images. Secondly, we
train a DNN denoiser with basic architecture ensuring positivity of the output
image, at a noise level inferred from the signal-to-noise ratio of the data. We
use either $\ell_2$ or $\ell_1$ training losses, enhanced with a
nonexpansiveness term ensuring algorithm convergence, and including on-the-fly
database dynamic range enhancement via exponentiation. Thirdly, we plug the
learned denoiser into the forward-backward optimization algorithm, resulting in
a simple iterative structure alternating a denoising step with a
gradient-descent data-fidelity step. The resulting AIRI-$\ell_2$ and
AIRI-$\ell_1$ were validated against CLEAN and optimization algorithms of the
SARA family, propelled by the "average sparsity" proximal regularization
operator. Simulation results show that these first AIRI incarnations are
competitive in imaging quality with SARA and its unconstrained
forward-backward-based version uSARA, while providing significant acceleration.
CLEAN remains faster but offers lower reconstruction quality.
- Abstract（参考訳）: 本稿では,ラジオ干渉計測のための新しい反復画像再構成アルゴリズムを,プラグ・アンド・プレイ法にインスパイアされた凸最適化と深層学習のインタフェースで紹介する。
このアプローチは、深層ニューラルネットワーク(dnn)をデノイザーとしてトレーニングし、最適化アルゴリズムの手作りの近位正規化演算子に置き換えることで、事前の画像モデルを学習する。
airi(無線干渉イメージングの正規化のためのai)フレームワークは、拡散と微弱な放射を伴う複雑な強度構造を撮像するために、最適化の堅牢性と解釈可能性、ネットワークの学習能力とスピードを継承する。
私たちのアプローチは3つのステップに依存します。
まず、光強度画像から教師付きトレーニングを行うための低ダイナミックレンジデータベースを設計する。
次に,データの信号対雑音比から推定した雑音レベルにおいて,出力画像の肯定性を保証する基本アーキテクチャを持つdnnデノイザーを訓練する。
我々は、$\ell_2$または$\ell_1$のトレーニング損失を使用し、アルゴリズム収束を保証する非拡張項で拡張し、指数化によるオンザフライデータベースダイナミックレンジ拡張を含む。
第3に,学習したデノイザーをフォワードバックワード最適化アルゴリズムに挿入することで,グラデーション・d・データ忠実度ステップでデノイジングステップを交代する単純な反復構造を実現する。
結果の AIRI-$\ell_2$ と AIRI-$\ell_1$ は CLEAN と SARA ファミリーの最適化アルゴリズムに対して検証された。
シミュレーションの結果,これらのAIRIインカーネーションは,SARAと非拘束の後方向きバージョンであるuSARAと画像品質の競争に優れており,大きな加速を提供することがわかった。
CLEANは高速だが、再現性は低い。
関連論文リスト
- LeRF: Learning Resampling Function for Adaptive and Efficient Image Interpolation [64.34935748707673]
最近のディープニューラルネットワーク(DNN)は、学習データ前処理を導入することで、パフォーマンスを著しく向上させた。
本稿では,DNNが学習した構造的前提と局所的連続仮定の両方を活かした学習再サンプリング(Learning Resampling, LeRF)を提案する。
LeRFは空間的に異なる再サンプリング関数を入力画像ピクセルに割り当て、ニューラルネットワークを用いてこれらの再サンプリング関数の形状を予測する。
論文 参考訳（メタデータ） (2024-07-13T16:09:45Z) - Deep Convolutional Neural Networks Meet Variational Shape Compactness Priors for Image Segmentation [7.314877483509877]
形状コンパクト性は、多くの画像分割タスクにおいて興味深い領域を記述するための重要な幾何学的性質である。
そこで本稿では,従来の形状特徴を取り入れた画像分割問題を解くために,新しい2つのアルゴリズムを提案する。
提案アルゴリズムは、ノイズの多い画像データセット上で20%のトレーニングをすることで、IoUを大幅に改善する。
論文 参考訳（メタデータ） (2024-05-23T11:05:35Z) - Unfolded proximal neural networks for robust image Gaussian denoising [7.018591019975253]
本稿では,二元FBと二元Chambolle-Pockアルゴリズムの両方に基づいて,ガウス分母タスクのためのPNNを統一的に構築するフレームワークを提案する。
また、これらのアルゴリズムの高速化により、関連するNN層におけるスキップ接続が可能であることを示す。
論文 参考訳（メタデータ） (2023-08-06T15:32:16Z) - Curvature regularization for Non-line-of-sight Imaging from
Under-sampled Data [5.591221518341613]
非視線イメージング(NLOS)は、視線で測定されたデータから3次元の隠れたシーンを再構築することを目的としている。
曲率正規化に基づく新しいNLOS再構成モデルを提案する。
提案したアルゴリズムを,合成データセットと実データセットの両方で評価する。
論文 参考訳（メタデータ） (2023-01-01T14:10:43Z) - Loop Unrolled Shallow Equilibrium Regularizer (LUSER) -- A
Memory-Efficient Inverse Problem Solver [26.87738024952936]
逆問題では、潜在的に破損し、しばしば不適切な測定結果から、いくつかの基本的な関心のシグナルを再構築することを目的としている。
浅い平衡正規化器(L)を用いたLUアルゴリズムを提案する。
これらの暗黙のモデルは、より深い畳み込みネットワークと同じくらい表現力があるが、トレーニング中にはるかにメモリ効率が良い。
論文 参考訳（メタデータ） (2022-10-10T19:50:37Z) - Multi-stage image denoising with the wavelet transform [125.2251438120701]
深部畳み込みニューラルネットワーク(Deep Convolutional Neural Network, CNN)は、正確な構造情報を自動マイニングすることで、画像の復調に使用される。
動的畳み込みブロック(DCB)、2つのカスケードウェーブレット変換および拡張ブロック(WEB)、残留ブロック(RB)の3段階を経由した、MWDCNNによるCNNの多段階化を提案する。
論文 参考訳（メタデータ） (2022-09-26T03:28:23Z) - Rank-Enhanced Low-Dimensional Convolution Set for Hyperspectral Image
Denoising [50.039949798156826]
本稿では,ハイパースペクトル(HS)画像の難解化問題に対処する。
ランク付き低次元畳み込み集合(Re-ConvSet)を提案する。
次に、Re-ConvSetを広く使われているU-Netアーキテクチャに組み込んで、HS画像復号法を構築する。
論文 参考訳（メタデータ） (2022-07-09T13:35:12Z) - An Empirical Analysis of Recurrent Learning Algorithms In Neural Lossy
Image Compression Systems [73.48927855855219]
近年のディープラーニングの進歩により、JPEGとJPEG 2000を標準のKodakベンチマークで上回る画像圧縮アルゴリズムが実現している。
本稿では,最近の最先端ハイブリッドニューラル圧縮アルゴリズムの大規模比較を行う。
論文 参考訳（メタデータ） (2022-01-27T19:47:51Z) - Deep Learning Adapted Acceleration for Limited-view Photoacoustic
Computed Tomography [1.8830359888767887]
光音響計算トモグラフィ(PACT)は、PA信号検出のための超音波トランスデューサアレイでターゲットを照らすために、焦点のない大面積の光を使用する。
限定ビュー問題は、幾何学的条件の制限により、PACTの低画質の画像を引き起こす可能性がある。
数学的変動モデルとディープラーニングを組み合わせたモデルベース手法を提案する。
論文 参考訳（メタデータ） (2021-11-08T02:05:58Z) - Learning a Model-Driven Variational Network for Deformable Image
Registration [89.9830129923847]
VR-Netは、教師なしの変形可能な画像登録のための新しいカスケード可変ネットワークである。
登録精度において最先端のディープラーニング手法よりも優れています。
ディープラーニングの高速推論速度と変分モデルのデータ効率を維持している。
論文 参考訳（メタデータ） (2021-05-25T21:37:37Z) - Identity Enhanced Residual Image Denoising [61.75610647978973]
我々は、アイデンティティマッピングモジュールのチェーンと、画像の復号化のための残像アーキテクチャの残像からなる、完全な畳み込みネットワークモデルを学ぶ。
提案するネットワークは,従来の最先端・CNNアルゴリズムよりも極めて高い数値精度と画像品質を実現している。
論文 参考訳（メタデータ） (2020-04-26T04:52:22Z)
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。