論文の概要: Equivariant Priors for Compressed Sensing with Unknown Orientation

• arxiv url: http://arxiv.org/abs/2206.14069v1
• Date: Tue, 28 Jun 2022 15:14:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-01 09:14:20.702632
• Title: Equivariant Priors for Compressed Sensing with Unknown Orientation
• Title（参考訳）: 未知方向を有する圧縮センシングの同変前駆
• Authors: Anna Kuzina, Kumar Pratik, Fabio Valerio Massoli, Arash Behboodi
• Abstract要約: 圧縮センシングでは、未決定の線形測定システムから信号を再構成することが目的である。 本稿では,同変生成モデルを先行として使用し,その潜在空間における配向情報をカプセル化する手法を提案する。 これらのモデルの潜在空間に反復的な勾配勾配勾配を導出することにより、未知の向きを持つ信号が復元可能であることを示す。
• 参考スコア（独自算出の注目度）: 3.2498534294827044
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In compressed sensing, the goal is to reconstruct the signal from an underdetermined system of linear measurements. Thus, prior knowledge about the signal of interest and its structure is required. Additionally, in many scenarios, the signal has an unknown orientation prior to measurements. To address such recovery problems, we propose using equivariant generative models as a prior, which encapsulate orientation information in their latent space. Thereby, we show that signals with unknown orientations can be recovered with iterative gradient descent on the latent space of these models and provide additional theoretical recovery guarantees. We construct an equivariant variational autoencoder and use the decoder as generative prior for compressed sensing. We discuss additional potential gains of the proposed approach in terms of convergence and latency.
• Abstract（参考訳）: 圧縮センシングでは、未決定の線形測定システムから信号を再構成することが目的である。 したがって、興味のシグナルとその構造に関する事前知識が必要である。 さらに、多くのシナリオでは、信号は測定に先立って未知の向きを持つ。 このようなリカバリ問題に対処するため,同変生成モデルを先行として,その潜在空間における配向情報をカプセル化する手法を提案する。 これにより、未知の向きを持つ信号は、これらのモデルの潜在空間に反復的な勾配降下により復元できることを示し、さらなる理論的回復保証を提供する。 等価な変分オートエンコーダを構築し,圧縮センシングのための生成前処理としてデコーダを使用する。 提案手法のさらなる可能性について,収束性とレイテンシの観点から検討する。

関連論文リスト

• Refined Risk Bounds for Unbounded Losses via Transductive Priors [58.967816314671296]
  線形回帰の逐次変分を2乗損失、ヒンジ損失の分類問題、ロジスティック回帰で再検討する。 我々の鍵となるツールは、慎重に選択された導出先を持つ指数重み付けアルゴリズムに基づいている。
  論文  参考訳（メタデータ） (2024-10-29T00:01:04Z)
• EqNIO: Subequivariant Neural Inertial Odometry [33.96552018734359]
  重力ベクトルの周りで回転すると、IMUデータは等変的に変形し、重力に平行な任意の平面に対して反射することを示す。 そして、IMUデータをこのフレームにマッピングし、既製の慣性オドメトリーネットワークで直接使用できる不変な正準化を実現する。
  論文  参考訳（メタデータ） (2024-08-12T17:42:46Z)
• Disentanglement via Latent Quantization [60.37109712033694]
  本研究では,組織化された潜在空間からの符号化と復号化に向けた帰納的バイアスを構築する。 本稿では,基本データレコーダ (vanilla autoencoder) と潜時再構成 (InfoGAN) 生成モデルの両方に追加することで,このアプローチの広範な適用性を実証する。
  論文  参考訳（メタデータ） (2023-05-28T06:30:29Z)
• Bayesian Autoencoders for Drift Detection in Industrial Environments [69.93875748095574]
  オートエンコーダは、マルチセンサー環境で異常を検出するために使用される教師なしモデルである。 異常は、実際の環境の変化(実際のドリフト)や、故障した感覚デバイス(仮想ドリフト)から生じる。
  論文  参考訳（メタデータ） (2021-07-28T10:19:58Z)
• Instance-Optimal Compressed Sensing via Posterior Sampling [101.43899352984774]
  後部サンプリング推定器がほぼ最適回復保証を達成できることを示す。 本稿では,Langevin dynamics を用いた深部生成前駆体の後方サンプリング推定器を実装し,MAP よりも精度の高い推定値が得られることを実証的に見出した。
  論文  参考訳（メタデータ） (2021-06-21T22:51:56Z)
• Provable Compressed Sensing with Generative Priors via Langevin Dynamics [43.59745920150787]
  本稿では,SGLD(Grag Langevin dynamics)の圧縮センシングへの応用について述べる。 生成モデル上の軽度の仮定の下で、我々は真の信号へのSGLDの収束を証明する。
  論文  参考訳（メタデータ） (2021-02-25T02:35:14Z)
• Inadequacy of Linear Methods for Minimal Sensor Placement and Feature Selection in Nonlinear Systems; a New Approach Using Secants [0.0]
  一般の非線形逆問題に対するセンサ配置と特徴選択のための新しいデータ駆動手法を提案する。 我々は3つの効率的なグリージーアルゴリズムを開発し、それぞれ異なる種類の堅牢で最小に近い復元保証を提供する。
  論文  参考訳（メタデータ） (2021-01-27T01:57:34Z)
• Representation Learning for Sequence Data with Deep Autoencoding Predictive Components [96.42805872177067]
  本稿では,シーケンスデータの有用な表現が潜在空間における単純な構造を示すべきという直感に基づく,シーケンスデータの自己教師型表現学習法を提案する。 我々は,過去と将来のウィンドウ間の相互情報である潜在特徴系列の予測情報を最大化することにより,この潜時構造を奨励する。 提案手法は,ノイズの多い動的システムの潜時空間を復元し,タスク予測のための予測特徴を抽出し,エンコーダを大量の未ラベルデータで事前訓練する場合に音声認識を改善する。
  論文  参考訳（メタデータ） (2020-10-07T03:34:01Z)
• Blind hierarchical deconvolution [1.9817733658218057]
  デコンボリューション(deconvolution)は、信号処理における基本的な逆問題であり、ノイズ測定から信号を取り戻すためのプロトタイプモデルである。 本稿では,正規性と未知のカーネルサイズの異なる関数の正確な再構成を可能にする,ブラインド階層的デコンボリューションの枠組みを提案する。
  論文  参考訳（メタデータ） (2020-07-22T12:54:19Z)
• Sample Complexity Bounds for 1-bit Compressive Sensing and Binary Stable Embeddings with Generative Priors [52.06292503723978]
  生成モデルを用いた圧縮センシングの進歩により, 生成モデルを用いた1ビット圧縮センシングの問題点を考察した。 まずノイズのない1ビット測定を考察し, ガウス測度に基づく近似回復のためのサンプル複雑性境界を提供する。 また,リプシッツ連続生成モデルを用いた1ビット圧縮センシングにも有効であることを示すため,評価誤差と雑音に対する再構成の堅牢性を示すBinary $epsilon$-Stable Embedding特性を実証した。
  論文  参考訳（メタデータ） (2020-02-05T09:44:10Z)

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。