論文の概要: Conditional Injective Flows for Bayesian Imaging
- arxiv url: http://arxiv.org/abs/2204.07664v1
- Date: Fri, 15 Apr 2022 22:26:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-21 03:35:28.925029
- Title: Conditional Injective Flows for Bayesian Imaging
- Title(参考訳): ベイジアンイメージングのための条件付きインジェクティブフロー
- Authors: AmirEhsan Khorashadizadeh, Konik Kothari, Leonardo Salsi, Ali
Aghababaei Harandi, Maarten de Hoop and Ivan Dokmani'c
- Abstract要約: インジェクティビティは、低次元の潜在空間とアーキテクチャの革新とともにメモリフットプリントとトレーニング時間を短縮する。
C-トランペットは、MMSEやMAPのような点推定の高速な近似と、物理的に意味のある不確実性定量化を可能にする。
- 参考スコア(独自算出の注目度): 18.561430512510956
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Most deep learning models for computational imaging regress a single
reconstructed image. In practice, however, ill-posedness, nonlinearity, model
mismatch, and noise often conspire to make such point estimates misleading or
insufficient. The Bayesian approach models images and (noisy) measurements as
jointly distributed random vectors and aims to approximate the posterior
distribution of unknowns. Recent variational inference methods based on
conditional normalizing flows are a promising alternative to traditional MCMC
methods, but they come with drawbacks: excessive memory and compute demands for
moderate to high resolution images and underwhelming performance on hard
nonlinear problems. In this work, we propose C-Trumpets -- conditional
injective flows specifically designed for imaging problems, which greatly
diminish these challenges. Injectivity reduces memory footprint and training
time while low-dimensional latent space together with architectural innovations
like fixed-volume-change layers and skip-connection revnet layers, C-Trumpets
outperform regular conditional flow models on a variety of imaging and image
restoration tasks, including limited-view CT and nonlinear inverse scattering,
with a lower compute and memory budget. C-Trumpets enable fast approximation of
point estimates like MMSE or MAP as well as physically-meaningful uncertainty
quantification.
- Abstract(参考訳): 計算画像のためのほとんどのディープラーニングモデルは、単一の再構成されたイメージを回帰する。
しかし、実際には、不合理性、非線形性、モデルミスマッチ、ノイズはしばしばそのような推定を誤解させるか、あるいは不十分にする。
ベイズアプローチは、画像と(ノイズ)計測を共同分散ランダムベクトルとしてモデル化し、未知の後方分布を近似することを目的としている。
条件付き正規化フローに基づく最近の変分推論手法は従来のMCMC法に代わる有望な代替手段であるが, 過大なメモリと高解像度画像に対する計算要求, ハード非線形問題に対する性能低下といった欠点が生じる。
本研究では,画像問題に特化して設計された条件付きインジェクティブフローであるC-Trumpetsを提案する。
インジェクティビティは、固定体積変化層やスキップ接続revnet層といったアーキテクチャ革新とともに、低次元潜在空間におけるメモリフットプリントとトレーニング時間を削減し、C-Trumpetsは、コンピュータとメモリの予算を低く抑えながら、様々な画像および画像復元タスクにおいて、通常の条件フローモデルより優れている。
c-trumpetsは、mmseやmapのような点推定の高速近似と、物理的に測定可能な不確実性定量化を可能にする。
関連論文リスト
- TC-DiffRecon: Texture coordination MRI reconstruction method based on
diffusion model and modified MF-UNet method [2.626378252978696]
本稿では,T-DiffReconという名前の拡散モデルに基づくMRI再構成法を提案する。
また、モデルにより生成されたMRI画像の品質を高めるために、MF-UNetモジュールを組み込むことを提案する。
論文 参考訳(メタデータ) (2024-02-17T13:09:00Z) - Gradpaint: Gradient-Guided Inpainting with Diffusion Models [71.47496445507862]
Denoising Diffusion Probabilistic Models (DDPM) は近年,条件付きおよび非条件付き画像生成において顕著な成果を上げている。
我々はGradPaintを紹介し、グローバルな一貫性のあるイメージに向けて世代を操る。
我々は、様々なデータセットで訓練された拡散モデルによく適応し、現在最先端の教師付きおよび教師なしの手法を改善している。
論文 参考訳(メタデータ) (2023-09-18T09:36:24Z) - Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。
本稿では,階層型統合拡散モデル(HI-Diff)を提案する。
人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
論文 参考訳(メタデータ) (2023-05-22T12:18:20Z) - Representing Noisy Image Without Denoising [120.08257941277321]
ラドン空間におけるフラクショナルオーダーモーメント(FMR)は、ノイズの多い画像から直接ロバストな表現を引き出すように設計されている。
従来の整数順序法とは異なり、我々の研究は特別な場合のような古典的手法を取り入れたより汎用的な設計である。
論文 参考訳(メタデータ) (2023-01-18T10:13:29Z) - Multiscale Structure Guided Diffusion for Image Deblurring [24.09642909404091]
拡散確率モデル (DPM) は画像の劣化に用いられている。
暗黙のバイアスとして、単純だが効果的なマルチスケール構造ガイダンスを導入する。
目に見えないデータのアーティファクトが少ないほど、より堅牢なデブロアリング結果を示します。
論文 参考訳(メタデータ) (2022-12-04T10:40:35Z) - Deep Learning-Based Defect Classification and Detection in SEM Images [1.9206693386750882]
特に、異なるResNet、VGGNetアーキテクチャをバックボーンとして使用するRetinaNetモデルをトレーニングする。
そこで本研究では,異なるモデルからの出力予測を組み合わせることで,欠陥の分類と検出に優れた性能を実現するための選好に基づくアンサンブル戦略を提案する。
論文 参考訳(メタデータ) (2022-06-20T16:34:11Z) - 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) - Deblurring via Stochastic Refinement [85.42730934561101]
条件付き拡散モデルに基づくブラインドデブロアリングのための代替フレームワークを提案する。
提案手法は,PSNRなどの歪み指標の点で競合する。
論文 参考訳(メタデータ) (2021-12-05T04:36:09Z) - Quantifying Sources of Uncertainty in Deep Learning-Based Image
Reconstruction [5.129343375966527]
本稿では,学習反復画像再構成におけるアレタリックおよびエピステマティック不確かさを同時に定量化する,スケーラブルで効率的なフレームワークを提案する。
本手法は,スパークビューと制限角度データの両方を用いて,従来の計算トモグラフィーのベンチマークと競合する性能を示す。
論文 参考訳(メタデータ) (2020-11-17T04:12:52Z) - Deep Variational Network Toward Blind Image Restoration [55.33102369856991]
ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。
両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。
画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
論文 参考訳(メタデータ) (2020-08-25T03:30:53Z)
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。