論文の概要: Deep Model-Based Architectures for Inverse Problems under Mismatched
Priors
- arxiv url: http://arxiv.org/abs/2207.13200v1
- Date: Tue, 26 Jul 2022 22:13:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-28 13:17:00.582964
- Title: Deep Model-Based Architectures for Inverse Problems under Mismatched
Priors
- Title(参考訳): ミスマッチ前の逆問題に対する深層モデルに基づくアーキテクチャ
- Authors: Shirin Shoushtari, Jiaming Liu, Yuyang Hu, and Ulugbek S. Kamilov
- Abstract要約: ディープモデルベースアーキテクチャ(DMBA)は、イメージング逆問題を解決するために用いられる。
この研究は、ミスマッチしたCNN以前のDMBAに関する新たな理論的および数値的な洞察を提供する。
本研究は,現実的な分布シフトと近似統計近似によるDMBAの実証的性能を比較した。
- 参考スコア(独自算出の注目度): 15.662343976149637
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: There is a growing interest in deep model-based architectures (DMBAs) for
solving imaging inverse problems by combining physical measurement models and
learned image priors specified using convolutional neural nets (CNNs). For
example, well-known frameworks for systematically designing DMBAs include
plug-and-play priors (PnP), deep unfolding (DU), and deep equilibrium models
(DEQ). While the empirical performance and theoretical properties of DMBAs have
been widely investigated, the existing work in the area has primarily focused
on their performance when the desired image prior is known exactly. This work
addresses the gap in the prior work by providing new theoretical and numerical
insights into DMBAs under mismatched CNN priors. Mismatched priors arise
naturally when there is a distribution shift between training and testing data,
for example, due to test images being from a different distribution than images
used for training the CNN prior. They also arise when the CNN prior used for
inference is an approximation of some desired statistical estimator (MAP or
MMSE). Our theoretical analysis provides explicit error bounds on the solution
due to the mismatched CNN priors under a set of clearly specified assumptions.
Our numerical results compare the empirical performance of DMBAs under
realistic distribution shifts and approximate statistical estimators.
- Abstract(参考訳): 畳み込みニューラルネット(CNN)を用いた物理計測モデルと学習画像先行データを組み合わせることで、イメージングの逆問題を解決するためのディープモデルベースアーキテクチャ(DMBA)への関心が高まっている。
例えば、dmbaを体系的に設計するためのよく知られたフレームワークには、pnp(plug-and-play priors)、du(deep unfolding)、deq(deep equilibrium models)などがある。
DMBAの実証的性能と理論的特性は広く研究されているが,既存の研究は主に,所望の画像が正確に分かっている場合にその性能に焦点を当てている。
この研究は、CNNの事前のミスマッチに基づくDMBAに関する理論的および数値的な洞察を提供することによって、以前の作業のギャップに対処する。
ミスマッチした事前は、例えば、CNN前のトレーニングで使用される画像とは異なる分布からテストイメージが分離されているために、トレーニングとテストデータの分散シフトが発生したときに自然に発生する。
これらはまた、推論に先立つcnnが所望の統計推定器(mapまたはmmse)の近似であるときにも発生する。
本理論解析は,cnnの事前条件が不一致であることによる解の明示的な誤差境界を与える。
実際の分布シフトと近似統計的推定器によるDMBAの実証性能を比較した。
関連論文リスト
- Exploiting Diffusion Prior for Generalizable Pixel-Level Semantic
Prediction [93.35493328885372]
我々は、画素レベルのセマンティック予測タスクの先行として、事前訓練されたT2Iモデルを導入する。
我々は一連の実験を通して拡散過程を再構成し、入力されたRGB画像と出力予測分布との決定論的マッピングを確立する。
限られたドメインのトレーニングデータにもかかわらず、この手法は任意の画像に対して忠実に推定し、既存の最先端のアルゴリズムを超越する。
論文 参考訳(メタデータ) (2023-11-30T18:59:44Z) - On the Out of Distribution Robustness of Foundation Models in Medical
Image Segmentation [47.95611203419802]
視覚と言語の基礎は、様々な自然画像とテキストデータに基づいて事前訓練されており、有望なアプローチとして現れている。
一般化性能を,同じ分布データセット上で微調整した後,事前学習した各種モデルの未確認領域と比較した。
さらに,凍結モデルに対する新しいベイズ不確実性推定法を開発し,分布外データに基づくモデルの性能評価指標として利用した。
論文 参考訳(メタデータ) (2023-11-18T14:52:10Z) - DeepDC: Deep Distance Correlation as a Perceptual Image Quality
Evaluator [53.57431705309919]
ImageNet Pre-trained Deep Neural Network (DNN)は、効果的な画像品質評価(IQA)モデルを構築するための顕著な転送性を示す。
我々は,事前学習DNN機能のみに基づく新しいフル参照IQA(FR-IQA)モデルを開発した。
5つの標準IQAデータセット上で,提案した品質モデルの優位性を示すため,包括的実験を行った。
論文 参考訳(メタデータ) (2022-11-09T14:57:27Z) - Diffusion Causal Models for Counterfactual Estimation [18.438307666925425]
本稿では,観測画像データから因果構造を推定する作業について考察する。
Diff-SCMは,近年の発電エネルギーモデルの発展を基盤とした構造因果モデルである。
Diff-SCMはMNISTデータに基づくベースラインよりも現実的で最小限のデファクトアルを生成しており、ImageNetデータにも適用可能である。
論文 参考訳(メタデータ) (2022-02-21T12:23:01Z) - On Maximum-a-Posteriori estimation with Plug & Play priors and
stochastic gradient descent [13.168923974530307]
画像問題の解法は、通常、明示的なデータ可能性関数と、その解の明確な期待特性とを結合する。
明示的なモデリングから離れて、画像復調アルゴリズムによって定義された暗黙の先行値の使用について、いくつかの最近の研究が提案され、研究されている。
論文 参考訳(メタデータ) (2022-01-16T20:50:08Z) - MDN-VO: Estimating Visual Odometry with Confidence [34.8860186009308]
視覚オドメトリー(VO)は、ロボット工学や自律システムを含む多くのアプリケーションで使われている。
本研究では、6-DoFのポーズを推定する深層学習に基づくVOモデルと、これらの推定に対する信頼度モデルを提案する。
本実験は,本モデルが故障事例の検出に加えて,最先端の性能を上回ることを示す。
論文 参考訳(メタデータ) (2021-12-23T19:26:04Z) - Visual design intuition: Predicting dynamic properties of beams from raw
cross-section images [6.76432840291023]
視覚検査と経験だけでデザインの性能を推定するために、直観を習得する人間の能力を模倣することを目的としている。
本研究では, 畳み込みニューラルネットワークによるカンチレバービームの静的および動的特性の予測について検討した。
論文 参考訳(メタデータ) (2021-11-14T03:10:15Z) - Test-time Batch Statistics Calibration for Covariate Shift [66.7044675981449]
我々は,推論中に深層モデルを新しい環境に適応させることを提案する。
バッチ統計の校正に$alpha$-BNの一般的な定式化を提案する。
また、統合テスト時間適応フレームワークCoreを形成するための新しい損失関数も提示する。
論文 参考訳(メタデータ) (2021-10-06T08:45:03Z) - Probabilistic Modeling for Human Mesh Recovery [73.11532990173441]
本稿では,2次元の証拠から3次元の人体復元の問題に焦点を当てた。
我々は,この問題を,入力から3Dポーズの分布へのマッピング学習として再考した。
論文 参考訳(メタデータ) (2021-08-26T17:55:11Z) - A Flexible Framework for Designing Trainable Priors with Adaptive
Smoothing and Game Encoding [57.1077544780653]
我々は、前方通過を非滑らかな凸最適化問題として解釈できるニューラルネットワーク層の設計とトレーニングのための一般的なフレームワークを紹介する。
グラフのノードに代表されるローカルエージェントによって解決され、正規化関数を介して相互作用する凸ゲームに焦点を当てる。
このアプローチは、訓練可能なエンドツーエンドのディープモデル内で、古典的な画像の事前使用を可能にするため、画像の問題を解決するために魅力的である。
論文 参考訳(メタデータ) (2020-06-26T08:34:54Z)
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。