論文の概要: Learned reconstruction with convergence guarantees

• arxiv url: http://arxiv.org/abs/2206.05431v1
• Date: Sat, 11 Jun 2022 06:08:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-14 14:25:15.929014
• Title: Learned reconstruction with convergence guarantees
• Title（参考訳）: 収束保証による学習的再構築
• Authors: Subhadip Mukherjee, Andreas Hauptmann, Ozan \"Oktem, Marcelo Pereyra, Carola-Bibiane Sch\"onlieb
• Abstract要約: データ駆動画像再構成における収束の概念について述べる。 ICNNの役割は、ディープラーニングのパワーと古典的凸正規化理論を組み合わせる可能性を提供するものである。
• 参考スコア（独自算出の注目度）: 3.9402707512848787
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, deep learning has achieved remarkable empirical success for image reconstruction. This has catalyzed an ongoing quest for precise characterization of correctness and reliability of data-driven methods in critical use-cases, for instance in medical imaging. Notwithstanding the excellent performance and efficacy of deep learning-based methods, concerns have been raised regarding their stability, or lack thereof, with serious practical implications. Significant advances have been made in recent years to unravel the inner workings of data-driven image recovery methods, challenging their widely perceived black-box nature. In this article, we will specify relevant notions of convergence for data-driven image reconstruction, which will form the basis of a survey of learned methods with mathematically rigorous reconstruction guarantees. An example that is highlighted is the role of ICNN, offering the possibility to combine the power of deep learning with classical convex regularization theory for devising methods that are provably convergent. This survey article is aimed at both methodological researchers seeking to advance the frontiers of our understanding of data-driven image reconstruction methods as well as practitioners, by providing an accessible description of convergence concepts and by placing some of the existing empirical practices on a solid mathematical foundation.
• Abstract（参考訳）: 近年,深層学習は画像再構成において顕著な成果を上げている。 これにより、医療画像などの重要なユースケースにおいて、データ駆動方式の正確性と信頼性の正確な評価が進行中の探求に触媒されている。 ディープ・ラーニング・ベースの手法の優れた性能と有効性にもかかわらず、その安定性、あるいはその欠如に対する懸念は深刻な実践的意味を持つ。 近年、データ駆動画像復元法の内部動作を解明するために重要な進歩がなされており、そのブラックボックスの性質に挑戦している。 本稿では、数学的に厳密な再構成保証を伴う学習手法の調査の基礎となる、データ駆動型画像再構成の収束に関する関連概念について述べる。 ICNNの役割は、ディープラーニングのパワーと古典的凸正規化理論を結合して、確実に収束する手法を考案する可能性を提供するものである。 本稿は,データ駆動型画像再構成手法の理解のフロンティアを前進させようとする方法論研究者と実践者の両方を対象として,コンバージェンス概念の容易に説明し,既存の経験的実践のいくつかを堅実な数学的基礎に置くことを目的としている。

関連論文リスト

• Deep End-to-End Survival Analysis with Temporal Consistency [49.77103348208835]
  本稿では,大規模長手データの処理を効率的に行うために,Survival Analysisアルゴリズムを提案する。 我々の手法における中心的な考え方は、時間とともにデータにおける過去と将来の成果が円滑に進化するという仮説である時間的一貫性である。 我々のフレームワークは、安定したトレーニング信号を提供することで、時間的一貫性を大きなデータセットに独自に組み込む。
  論文  参考訳（メタデータ） (2024-10-09T11:37:09Z)
• Learned reconstruction methods for inverse problems: sample error estimates [0.8702432681310401]
  本論文は,学習した再構成手法の一般化特性,特にサンプル誤差解析を行うためのものである。 より一般的な戦略が提案され、その仮定は、逆問題と学習方法の大きなクラスに対して満たされる。
  論文  参考訳（メタデータ） (2023-12-21T17:56:19Z)
• Enhancing Post-Hoc Explanation Benchmark Reliability for Image Classification [0.0]
  実証的な評価では、メトリクス、データセット、ポストホックメソッドのベンチマーク信頼性が大幅に向上した。 この先駆的な研究は、ポストホックな説明手法の領域において、より信頼性の高い評価実践の基礎を確立する。
  論文  参考訳（メタデータ） (2023-11-29T18:21:24Z)
• Two Approaches to Supervised Image Segmentation [55.616364225463066]
  本研究は、深層学習とマルチセットニューロンのアプローチの比較実験を開発する。 ディープラーニングアプローチは、画像セグメンテーションの実行の可能性を確認した。 代替のマルチセット手法では、計算資源をほとんど必要とせずに精度を向上することができた。
  論文  参考訳（メタデータ） (2023-07-19T16:42:52Z)
• Uncertainty Quantification for Deep Unrolling-Based Computational Imaging [0.0]
  本稿では,観察モデルを再構成タスクに組み込んだ学習型画像再構成フレームワークを提案する。 提案手法は,最先端のDeep Unrolling手法に匹敵する再現性能を達成しつつ,不確実性情報を提供できることを示す。
  論文  参考訳（メタデータ） (2022-07-02T00:22:49Z)
• 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 Reparametrization of Multi-Frame Super-Resolution and Denoising [167.42453826365434]
  本稿では,多フレーム画像復元作業によく用いられる最大後部定式化の深部再パラメータ化を提案する。 提案手法は,学習された誤差メトリックと,対象画像の潜在表現を導入することによって導かれる。 我々は、バースト復調およびバースト超解像データセットに関する包括的な実験を通して、我々のアプローチを検証する。
  論文  参考訳（メタデータ） (2021-08-18T17:57:02Z)
• A Survey on Deep Semi-supervised Learning [51.26862262550445]
  まず,既存の手法を分類した深層半指導学習の分類法を提案する。 次に、損失の種類、貢献度、アーキテクチャの違いの観点から、これらのメソッドを詳細に比較します。
  論文  参考訳（メタデータ） (2021-02-28T16:22:58Z)
• Quantifying Model Uncertainty in Inverse Problems via Bayesian Deep Gradient Descent [4.029853654012035]
  逆問題における最近の進歩は、例えばディープニューラルネットワークのような強力なデータ駆動モデルを活用する。 ベイズニューラルネットワークによるモデル不確実性を定量化するための,スケーラブルでデータ駆動型,知識支援型計算フレームワークを開発した。
  論文  参考訳（メタデータ） (2020-07-20T09:43:31Z)
• Deep Face Super-Resolution with Iterative Collaboration between Attentive Recovery and Landmark Estimation [92.86123832948809]
  本稿では,2つの繰り返しネットワーク間の反復的協調による深層面超解像(FSR)手法を提案する。 各繰り返しステップにおいて、リカバリブランチは、ランドマークの事前の知識を利用して、高品質な画像を生成する。 新しい注意融合モジュールはランドマークマップのガイダンスを強化するために設計されている。
  論文  参考訳（メタデータ） (2020-03-29T16:04:48Z)
• Computed Tomography Reconstruction Using Deep Image Prior and Learned Reconstruction Methods [0.8263596314702016]
  本研究では,低データ状態の文脈における深層学習手法の計算トモグラフィへの応用について検討する。 学習した原始双対は、復元品質とデータ効率の点で優れた性能を有することがわかった。 提案手法は,低データレジームにおける最先端の結果を改善する。
  論文  参考訳（メタデータ） (2020-03-10T21:03:34Z)

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。