論文の概要: Optimizing Intermediate Representations of Generative Models for Phase
Retrieval
- arxiv url: http://arxiv.org/abs/2205.15617v1
- Date: Tue, 31 May 2022 09:01:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-01 15:12:32.557820
- Title: Optimizing Intermediate Representations of Generative Models for Phase
Retrieval
- Title(参考訳): 位相探索のための生成モデルの中間表現の最適化
- Authors: Tobias Uelwer, Sebastian Konietzny, Stefan Harmeling
- Abstract要約: 位相検索は、等級のみの測定から画像を再構成する問題である。
我々は、トレーニングデータと整合した画像を生成しながら、中間層最適化(ILO)の新たなバリエーションを用いて、ジェネレータの範囲を広げる。
- 参考スコア(独自算出の注目度): 0.5156484100374059
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Phase retrieval is the problem of reconstructing images from magnitude-only
measurements. In many real-world applications the problem is underdetermined.
When training data is available, generative models are a new idea to constrain
the solution set. However, not all possible solutions are within the range of
the generator. Instead, they are represented with some error. To reduce this
representation error in the context of phase retrieval, we first leverage a
novel variation of intermediate layer optimization (ILO) to extend the range of
the generator while still producing images consistent with the training data.
Second, we introduce new initialization schemes that further improve the
quality of the reconstruction. With extensive experiments on Fourier and
Gaussian phase retrieval problems and thorough ablation studies, we can show
the benefits of our modified ILO and the new initialization schemes.
- Abstract(参考訳): 位相検索は、マグニチュードのみの測定から画像を再構成する問題である。
多くの実世界のアプリケーションでは、問題は過小評価されている。
トレーニングデータが利用可能であれば、生成モデルはソリューションセットを制約する新しいアイデアになります。
しかし、すべての可能な解が生成器の範囲内にあるわけではない。
代わりに、何らかのエラーで表される。
この表現誤差を位相検索の文脈で低減するため,我々はまず,中間層最適化(ilo)の新たな変種を利用して,トレーニングデータに整合した画像を作成しながら,生成器の範囲を拡大する。
第2に,再建の質をさらに向上する新たな初期化手法を導入する。
フーリエおよびガウス位相検索問題および徹底的なアブレーション研究に関する広範な実験により,改良iloと新しい初期化スキームの利点を示すことができる。
関連論文リスト
- Convergence Properties of Score-Based Models using Graduated Optimisation for Linear Inverse Problems [44.99833362998488]
本稿では,スコアベース生成モデル(SGM)を用いて逆問題の解法を提案する。
実験では、段階的な再構築フレームワークでSGを使用する可能性を強調している。
論文 参考訳(メタデータ) (2024-04-29T13:47:59Z) - 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) - DDFM: Denoising Diffusion Model for Multi-Modality Image Fusion [144.9653045465908]
拡散確率モデル(DDPM)に基づく新しい融合アルゴリズムを提案する。
近赤外可視画像融合と医用画像融合で有望な融合が得られた。
論文 参考訳(メタデータ) (2023-03-13T04:06:42Z) - Variational Laplace Autoencoders [53.08170674326728]
変分オートエンコーダは、遅延変数の後部を近似するために、償却推論モデルを用いる。
完全分解ガウス仮定の限定的後部表現性に対処する新しい手法を提案する。
また、深部生成モデルのトレーニングのための変分ラプラスオートエンコーダ(VLAE)という一般的なフレームワークも提示する。
論文 参考訳(メタデータ) (2022-11-30T18:59:27Z) - Alternating Phase Langevin Sampling with Implicit Denoiser Priors for
Phase Retrieval [1.7767466724342065]
本稿では,従来のフレームワークに組み込んだ位相探索問題の解法を提案する。
位相探索のための性能記述に基づくアルゴリズムと比較し、分布内画像と分布外画像の顕著な測定結果と競合する性能を示す。
論文 参考訳(メタデータ) (2022-11-02T05:08:50Z) - DOLPH: Diffusion Models for Phase Retrieval [19.22990916056669]
位相検索は、複雑な値の線形測定の規模から画像を復元する問題を指す。
問題は正しくないため、リカバリには未知の画像に関する事前の知識が必要である。
拡散ステップの前に画像を再構成する位相探索のための新しい深層モデルとして提示する。
論文 参考訳(メタデータ) (2022-11-01T15:31:34Z) - 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) - Learning Discriminative Shrinkage Deep Networks for Image Deconvolution [122.79108159874426]
本稿では,これらの用語を暗黙的にモデル化する識別的縮小関数を学習することで,効果的に非盲検デコンボリューション手法を提案する。
実験結果から,提案手法は最先端の手法に対して,効率と精度の点で好適に動作することがわかった。
論文 参考訳(メタデータ) (2021-11-27T12:12:57Z) - Deep Variational Network Toward Blind Image Restoration [60.45350399661175]
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) - DeepInit Phase Retrieval [10.385009647156407]
本稿では,データ深層生成モデルを用いて位相探索問題の解法を提案する。
我々のハイブリッドアプローチは,低サンプリングレートで非常に高い再構成結果が得られることを示す。
論文 参考訳(メタデータ) (2020-07-16T09:39:28Z) - u-net CNN based fourier ptychography [5.46367622374939]
本稿では,畳み込みニューラルネットワークに基づく新しい検索アルゴリズムを提案する。
実験により, システム収差下において, 再現性が向上し, より堅牢であることが確認された。
論文 参考訳(メタデータ) (2020-03-16T22:48:44Z)
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。