論文の概要: REPNP: Plug-and-Play with Deep Reinforcement Learning Prior for Robust Image Restoration

• arxiv url: http://arxiv.org/abs/2207.12056v1
• Date: Mon, 25 Jul 2022 10:56:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-26 15:41:39.398610
• Title: REPNP: Plug-and-Play with Deep Reinforcement Learning Prior for Robust Image Restoration
• Title（参考訳）: REPNP:ロバスト画像復元に先立つ深層強化学習によるプラグアンドプレイ
• Authors: Chong Wang, Rongkai Zhang, Saiprasad Ravishankar, Bihan Wen
• Abstract要約: 本稿では、RePNPと呼ばれる新しい深層強化学習(DRL)フレームワークを提案する。 その結果,提案したRePNPは観測モデルに対して頑健であることがわかった。 RePNPと呼ばれるスキーム。 RePNPはモデルパラメータの少ないモデル偏差に基づくより良い結果を得る。
• 参考スコア（独自算出の注目度）: 30.966005373669027
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image restoration schemes based on the pre-trained deep models have received great attention due to their unique flexibility for solving various inverse problems. In particular, the Plug-and-Play (PnP) framework is a popular and powerful tool that can integrate an off-the-shelf deep denoiser for different image restoration tasks with known observation models. However, obtaining the observation model that exactly matches the actual one can be challenging in practice. Thus, the PnP schemes with conventional deep denoisers may fail to generate satisfying results in some real-world image restoration tasks. We argue that the robustness of the PnP framework is largely limited by using the off-the-shelf deep denoisers that are trained by deterministic optimization. To this end, we propose a novel deep reinforcement learning (DRL) based PnP framework, dubbed RePNP, by leveraging a light-weight DRL-based denoiser for robust image restoration tasks. Experimental results demonstrate that the proposed RePNP is robust to the observation model used in the PnP scheme deviating from the actual one. Thus, RePNP can generate more reliable restoration results for image deblurring and super resolution tasks. Compared with several state-of-the-art deep image restoration baselines, RePNP achieves better results subjective to model deviation with fewer model parameters.
• Abstract（参考訳）: 事前学習した深層モデルに基づく画像復元手法は,様々な逆問題に対する独特の柔軟性から注目されている。 特に、Plug-and-Play(PnP)フレームワークは、既製のDeep Denoiserを既知の観測モデルと異なる画像復元タスクに組み込む、人気があり強力なツールである。 しかし、実際のものと正確に一致する観測モデルを得ることは、実際は困難である。 したがって、従来のディープデノイザを用いたPnPスキームは、実世界の画像復元タスクにおいて満足な結果が得られない可能性がある。 PnPフレームワークのロバスト性は、決定論的最適化によって訓練された既成のディープデノイザを使用することによって大きく制限されていると我々は主張する。 そこで本研究では,DRLをベースとした軽量デノイザを高精細画像復元作業に用いることで,RePNP(Deep reinforcement Learning)に基づくPnPフレームワークを提案する。 実験の結果,提案したRePNPは実測値から逸脱したPnP方式で用いられる観測モデルに対して頑健であることがわかった。 これにより、RePNPは画像劣化および超分解能タスクに対するより信頼性の高い復元結果を生成することができる。 RePNPは、最先端の深層画像復元ベースラインと比較すると、モデルパラメータの少ないモデル偏差によるより良い結果が得られる。

関連論文リスト

• Boosting Image Restoration via Priors from Pre-trained Models [54.83907596825985]
  我々は、OSFによるターゲット復元ネットワークの復元結果を改善するために、Pre-Train-Guided Refinement Module (PTG-RM)と呼ばれる軽量モジュールを学習する。 PTG-RMは、低照度強化、デラリニング、デブロアリング、デノナイジングなど、様々なタスクにおける様々なモデルの復元性能を効果的に向上させる。
  論文  参考訳（メタデータ） (2024-03-11T15:11:57Z)
• Analysis of Deep Image Prior and Exploiting Self-Guidance for Image Reconstruction [13.277067849874756]
  DIPがアンダーサンプドイメージング計測からどのように情報を回収するかを検討する。 ネットワーク重みと入力の両方を同時に最適化する自己駆動型再構築プロセスを導入する。 提案手法は,ネットワーク入力画像と再構成画像の両方の堅牢かつ安定した関節推定を可能にする,新しいデノイザ正規化項を組み込んだものである。
  論文  参考訳（メタデータ） (2024-02-06T15:52:23Z)
• Attentive Fine-Grained Structured Sparsity for Image Restoration [63.35887911506264]
  N:M 構造化プルーニングは,モデルの精度制約を効率的にするための効果的かつ実用的なプルーニング手法の1つである。 そこで本稿では, 各層におけるN:M構造化空間の刈り取り比を決定する新しい刈り取り法を提案する。
  論文  参考訳（メタデータ） (2022-04-26T12:44:55Z)
• Exploring and Evaluating Image Restoration Potential in Dynamic Scenes [44.37018725642948]
  ダイナミックなシーンでは、画像は動きの重畳や信号-雑音比の低さによって、しばしばダイナミックなぼかしに悩まされる。 画像復元電位(IRP)に着目した新しい概念を提案する。
  論文  参考訳（メタデータ） (2022-03-22T14:10:16Z)
• Plug-and-Play Image Restoration with Deep Denoiser Prior [186.84724418955054]
  モデルに基づく手法では,デノイザが暗黙的に画像として機能し,多くの逆問題に対処できることを示す。 非常に柔軟で効果的なCNNデノイザをトレーニングする前に、ベンチマークディープデノイザを設定しました。 次に, 2次分割に基づくイテレーティブアルゴリズムを用いて, 画像復元問題の解法を提案する。
  論文  参考訳（メタデータ） (2020-08-31T17:18:58Z)
• 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)
• The Power of Triply Complementary Priors for Image Compressive Sensing [89.14144796591685]
  本稿では,一対の相補的な旅先を含むLRD画像モデルを提案する。 次に、画像CSのためのRDモデルに基づく新しいハイブリッド・プラグイン・アンド・プレイ・フレームワークを提案する。 そこで,提案したH-based image CS問題の解法として,単純で効果的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-05-16T08:17:44Z)
• BP-DIP: A Backprojection based Deep Image Prior [49.375539602228415]
  画像復元手法として, (i)Deep Image Prior (DIP) と (ii) バックプロジェクション (BP) の2つの手法を提案する。 提案手法はBP-DIP(BP-DIP)と呼ばれ,高いPSNR値とより優れた推論実行時間を持つ通常のDIPよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2020-03-11T17:09:12Z)

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。