論文の概要: Practical Operator Sketching Framework for Accelerating Iterative Data-Driven Solutions in Inverse Problems
- arxiv url: http://arxiv.org/abs/2208.14784v2
- Date: Thu, 05 Dec 2024 15:07:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-08 16:57:46.405220
- Title: Practical Operator Sketching Framework for Accelerating Iterative Data-Driven Solutions in Inverse Problems
- Title(参考訳): 逆問題における反復型データ駆動型ソリューションの高速化のための実用的な演算子スケッチフレームワーク
- Authors: Junqi Tang, Guixian Xu, Subhadip Mukherjee, Carola-Bibiane Schönlieb,
- Abstract要約: 本稿では,効率的な反復型データ駆動型再構成手法のための演算子・スケッチパラダイムを提案する。
これらのIDRスキームは現在、逆問題の画像化のための最先端のソリューションである。
- 参考スコア(独自算出の注目度): 13.337452518482717
- License:
- Abstract: We propose a new operator-sketching paradigm for designing efficient iterative data-driven reconstruction (IDR) schemes, e.g. Plug-and-Play algorithms and deep unrolling networks. These IDR schemes are currently the state-of-the-art solutions for imaging inverse problems. However, for high-dimensional imaging tasks, especially X-ray CT and MRI imaging, these IDR schemes typically become inefficient both in terms of computation, due to the need of computing multiple times the high-dimensional forward and adjoint operators. In this work, we explore and propose a universal dimensionality reduction framework for accelerating IDR schemes in solving imaging inverse problems, based on leveraging the sketching techniques from stochastic optimization. Using this framework, we derive a number of accelerated IDR schemes, such as the plug-and-play multi-stage sketched gradient (PnP-MS2G) and sketching-based primal-dual (LSPD and Sk-LSPD) deep unrolling networks. Meanwhile, for fully accelerating PnP schemes when the denoisers are computationally expensive, we provide novel stochastic lazy denoising schemes (Lazy-PnP and Lazy-PnP-EQ), leveraging the ProxSkip scheme in optimization and equivariant image denoisers, which can massively accelerate the PnP algorithms with improved practicality. We provide theoretical analysis for recovery guarantees of instances of the proposed framework. Our numerical experiments on natural image processing and tomographic image reconstruction demonstrate the remarkable effectiveness of our sketched IDR schemes.
- Abstract(参考訳): 本稿では,効率的な反復型データ駆動型再構成(IDR)手法,eg Plug-and-Playアルゴリズム,深層アンロールネットワークを設計するための演算子・スケッチパラダイムを提案する。
これらのIDRスキームは現在、逆問題の画像化のための最先端のソリューションである。
しかし、高次元イメージングタスク、特にX線CTとMRIでは、これらのIDRスキームは、高次元フォワードおよび随伴演算子を複数回計算する必要があるため、計算の両面で非効率になる。
本研究では,確率的最適化によるスケッチ手法の活用に基づいて,画像逆問題解決におけるIDRスキームの高速化のための普遍次元削減フレームワークを探索し,提案する。
このフレームワークを用いて、プラグアンドプレイマルチステージスケッチ勾配(PnP-MS2G)やスケッチベース原始双対(LSPDおよびSk-LSPD)ディープアンローリングネットワークなど、多数の高速IDRスキームを導出する。
一方、計算コストが高い場合のPnPスキームの完全高速化のために、PnPアルゴリズムの最適化にProxSkipスキームを利用する新しい確率的遅延復調スキーム(Lazy-PnPとLazy-PnP-EQ)と、実用性を向上させたPnPアルゴリズムを大規模に高速化する同変画像復調器を提案する。
提案するフレームワークのインスタンスのリカバリ保証に関する理論的解析を行う。
自然画像処理とトモグラフィ画像再構成に関する数値実験により、スケッチしたIDR方式の顕著な効果が示された。
関連論文リスト
- Sketched Equivariant Imaging Regularization and Deep Internal Learning for Inverse Problems [4.287621751502392]
等変イメージング(EI)正則化は、ディープイメージングネットワークの教師なしトレーニングにおけるデファクト技術となっている。
本稿では,ランダムなスケッチ手法を応用したスケッチ付きEI正規化手法を提案する。
次に、スケッチしたEI正規化を拡張して、高速化された深層学習フレームワークを開発する。
論文 参考訳(メタデータ) (2024-11-08T18:33:03Z) - Learning Efficient and Effective Trajectories for Differential Equation-based Image Restoration [59.744840744491945]
我々は, この手法の軌道最適化を再構築し, 復元品質と効率の両立に焦点をあてる。
本稿では,複雑な経路を適応可能なサイズで複数の管理可能なステップに合理化するためのコスト対応トラジェクトリー蒸留法を提案する。
実験では提案手法の有意な優位性を示し, 最先端手法よりも最大2.1dBのPSNR改善を実現した。
論文 参考訳(メタデータ) (2024-10-07T07:46:08Z) - Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。
本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。
本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
論文 参考訳(メタデータ) (2023-03-16T21:06:13Z) - Loop Unrolled Shallow Equilibrium Regularizer (LUSER) -- A
Memory-Efficient Inverse Problem Solver [26.87738024952936]
逆問題では、潜在的に破損し、しばしば不適切な測定結果から、いくつかの基本的な関心のシグナルを再構築することを目的としている。
浅い平衡正規化器(L)を用いたLUアルゴリズムを提案する。
これらの暗黙のモデルは、より深い畳み込みネットワークと同じくらい表現力があるが、トレーニング中にはるかにメモリ効率が良い。
論文 参考訳(メタデータ) (2022-10-10T19:50:37Z) - Fast Auto-Differentiable Digitally Reconstructed Radiographs for Solving
Inverse Problems in Intraoperative Imaging [2.6027967363792865]
デジタル再構成ラジオグラフィ(DRR)は術前設定でよく研究されている。
DRRはスライス・ツー・ボリューム登録や3次元再構成といった逆問題の解決に利用できる。
論文 参考訳(メタデータ) (2022-08-26T15:49:28Z) - Operator Sketching for Deep Unrolling Networks [5.025654873456756]
我々は,演算子スケッチを用いた効率的なディープ・アンローリング・ネットワーク設計のための新しいパラダイムを提案する。
X線CT画像再構成に関する数値実験により,スケッチ付きアンロール方式の有効性が示された。
論文 参考訳(メタデータ) (2022-03-21T17:34:18Z) - Accelerating Plug-and-Play Image Reconstruction via Multi-Stage Sketched
Gradients [5.025654873456756]
本稿では,次元削減手法を用いて高速なプラグアンドプレイ(ランチ)アルゴリズムを設計するための新しいパラダイムを提案する。
加速度に勾配反復を利用する既存のアプローチとは異なり、我々は新しい多段階スケッチ勾配反復を提案する。
論文 参考訳(メタデータ) (2022-03-14T17:12:09Z) - A Deep-Unfolded Reference-Based RPCA Network For Video
Foreground-Background Separation [86.35434065681925]
本稿では,ロバスト主成分分析(RPCA)問題に対するディープアンフォールディングに基づくネットワーク設計を提案する。
既存の設計とは異なり,本手法は連続するビデオフレームのスパース表現間の時間的相関をモデル化することに焦点を当てている。
移動MNISTデータセットを用いた実験により、提案したネットワークは、ビデオフォアグラウンドとバックグラウンドの分離作業において、最近提案された最先端のRPCAネットワークより優れていることが示された。
論文 参考訳(メタデータ) (2020-10-02T11:40:09Z) - 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) - Iterative Algorithm Induced Deep-Unfolding Neural Networks: Precoding
Design for Multiuser MIMO Systems [59.804810122136345]
本稿では,AIIDNN(ディープ・アンフォールディング・ニューラルネット)を一般化した,ディープ・アンフォールディングのためのフレームワークを提案する。
古典的重み付き最小二乗誤差(WMMSE)反復アルゴリズムの構造に基づく効率的なIAIDNNを提案する。
提案したIAIDNNは,計算複雑性を低減した反復WMMSEアルゴリズムの性能を効率よく向上することを示す。
論文 参考訳(メタデータ) (2020-06-15T02:57:57Z) - Video Face Super-Resolution with Motion-Adaptive Feedback Cell [90.73821618795512]
深部畳み込みニューラルネットワーク(CNN)の発展により,ビデオ超解像法(VSR)は近年,顕著な成功を収めている。
本稿では,動作補償を効率的に捕捉し,適応的にネットワークにフィードバックする,シンプルで効果的なブロックである動き適応型フィードバックセル(MAFC)を提案する。
論文 参考訳(メタデータ) (2020-02-15T13:14:10Z)
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。