論文の概要: Generative Adversarial Network (GAN) based Image-Deblurring

• arxiv url: http://arxiv.org/abs/2208.11622v1
• Date: Wed, 24 Aug 2022 15:46:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-25 13:15:46.740424
• Title: Generative Adversarial Network (GAN) based Image-Deblurring
• Title（参考訳）: GAN(Generative Adversarial Network)による画像劣化
• Authors: Yuhong Lu, Nicholas Polydorides
• Abstract要約: スペクトル正則化手法の有効性を示し、スペクトルフィルタリング結果と正則化最適化の解とのリンクを指摘する。 画像の劣化のような不適切な問題に対して、最適化の目的は、我々の以前の知識をソリューションにエンコードする正規化項を含む。 ワッサーシュタイン生成逆数モデルの概念に基づき、正規化関数を学ぶためにCNNを訓練することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This thesis analyzes the challenging problem of Image Deblurring based on classical theorems and state-of-art methods proposed in recent years. By spectral analysis we mathematically show the effective of spectral regularization methods, and point out the linking between the spectral filtering result and the solution of the regularization optimization objective. For ill-posed problems like image deblurring, the optimization objective contains a regularization term (also called the regularization functional) that encodes our prior knowledge into the solution. We demonstrate how to craft a regularization term by hand using the idea of maximum a posterior estimation. Then, we point out the limitations of such regularization-based methods, and step into the neural-network based methods. Based on the idea of Wasserstein generative adversarial models, we can train a CNN to learn the regularization functional. Such data-driven approaches are able to capture the complexity, which may not be analytically modellable. Besides, in recent years with the improvement of architectures, the network has been able to output an image closely approximating the ground truth given the blurry observation. The Generative Adversarial Network (GAN) works on this Image-to-Image translation idea. We analyze the DeblurGAN-v2 method proposed by Orest Kupyn et al. [14] in 2019 based on numerical tests. And, based on the experimental results and our knowledge, we put forward some suggestions for improvement on this method.
• Abstract（参考訳）: この論文は,近年提案されている古典的定理と最先端の手法に基づいて,画像デブロワーリングの課題を分析する。 スペクトル解析により,スペクトル正則化法の有効性を数学的に示し,スペクトルフィルタリング結果と正則化最適化目的の解とのリンクを指摘する。 画像の劣化のような不適切な問題に対して、最適化の目的は、我々の以前の知識を解にエンコードする正規化項(正規化関数とも呼ばれる)を含む。 我々は,最大後続推定を用いた手作業による正規化項の作成方法を示す。 次に,そのような正規化に基づく手法の限界を指摘し,ニューラルネットワークに基づく手法にステップインする。 wasserstein生成敵モデルの概念に基づき、cnnを訓練して正規化機能を学ぶことができる。 このようなデータ駆動アプローチは、分析的にモデル化できない複雑性を捉えることができる。 さらに,近年のアーキテクチャ改善により,ぼやけた観測結果から,地上の真実を密接に近似した画像の出力が可能となった。 Generative Adversarial Network (GAN)はこの画像から画像への翻訳のアイデアに取り組んでいる。 orest kupynらによって提案されたdeblurgan-v2法を分析した。 [[14]2019年,数値実験に基づいて。 そして,実験結果と知識に基づき,本手法の改善に向けた提案を行った。

関連論文リスト

• Space-Variant Total Variation boosted by learning techniques in few-view tomographic imaging [0.0]
  本稿では,未決定の線形逆問題に対する空間変動正規化モデルの開発に焦点をあてる。 提案モデルの主な目的は,ディノベーションと細部・縁の保存のバランスを良くすることである。 畳み込みニューラルネットワークは、トレーニングにおいて弾性損失関数を用いて、基底真理像とその勾配を近似するように設計されている。
  論文  参考訳（メタデータ） (2024-04-25T08:58:41Z)
• An Optimization-based Deep Equilibrium Model for Hyperspectral Image Deconvolution with Convergence Guarantees [71.57324258813675]
  本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。 新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。 導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
  論文  参考訳（メタデータ） (2023-06-10T08:25:16Z)
• An application of the splitting-up method for the computation of a neural network representation for the solution for the filtering equations [68.8204255655161]
  フィルタ方程式は、数値天気予報、金融、工学など、多くの現実の応用において中心的な役割を果たす。 フィルタリング方程式の解を近似する古典的なアプローチの1つは、分割法と呼ばれるPDEにインスパイアされた方法を使うことである。 我々はこの手法をニューラルネットワーク表現と組み合わせて、信号プロセスの非正規化条件分布の近似を生成する。
  論文  参考訳（メタデータ） (2022-01-10T11:01:36Z)
• 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)
• Image Restoration by Deep Projected GSURE [115.57142046076164]
  Ill-posed inverse problem は、デブロアリングや超解像など、多くの画像処理アプリケーションに現れる。 本稿では,一般化されたSteinUnbiased Risk Estimator(GSURE)の「投影変換」とCNNによる潜在画像のパラメータ化を含む損失関数の最小化に基づく,新たな画像復元フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-04T08:52:46Z)
• Regularization via deep generative models: an analysis point of view [8.818465117061205]
  本稿では, イメージングにおける逆問題(例えば, デブロアリングやインペインティング)を, 深部生成ニューラルネットワークを用いて正則化する新しい手法を提案する。 多くの場合、我々の技術はパフォーマンスの明確な改善を実現し、より堅牢であるように思える。
  論文  参考訳（メタデータ） (2021-01-21T15:04:57Z)
• Blind Image Restoration with Flow Based Priors [19.190289348734215]
  未知の劣化を伴う盲点において、優れた先行性は依然として不可欠である。 本稿では, 正規化フローを用いて対象コンテンツの分布をモデル化し, 最大アフターリ(MAP)の定式化に先立ってこれを前もって用いることを提案する。 我々の知る限りでは、これは画像強調問題に先行する正規化フローを探求する最初の研究である。
  論文  参考訳（メタデータ） (2020-09-09T21:40:11Z)
• 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)
• 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。