論文の概要: DELAD: Deep Landweber-guided deconvolution with Hessian and sparse prior

• arxiv url: http://arxiv.org/abs/2209.15377v1
• Date: Fri, 30 Sep 2022 11:15:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-03 16:25:56.000458
• Title: DELAD: Deep Landweber-guided deconvolution with Hessian and sparse prior
• Title（参考訳）: delad: hessian と sparse prior による deep landweber-guided deconvolution
• Authors: Tomas Chobola, Anton Theileis, Jan Taucher, Tingying Peng
• Abstract要約: 本稿では,古典的反復法をディープラーニングアプリケーションに組み込んだ非盲検画像デコンボリューションモデルを提案する。 このアルゴリズムは、トレーニング可能な畳み込み層と統合され、復元された画像構造と詳細を強化する。
• 参考スコア（独自算出の注目度）: 0.22940141855172028
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a model for non-blind image deconvolution that incorporates the classic iterative method into a deep learning application. Instead of using large over-parameterised generative networks to create sharp picture representations, we build our network based on the iterative Landweber deconvolution algorithm, which is integrated with trainable convolutional layers to enhance the recovered image structures and details. Additional to the data fidelity term, we also add Hessian and sparse constraints as regularization terms to improve the image reconstruction quality. Our proposed model is \textit{self-supervised} and converges to a solution based purely on the input blurred image and respective blur kernel without the requirement of any pre-training. We evaluate our technique using standard computer vision benchmarking datasets as well as real microscope images obtained by our enhanced depth-of-field (EDOF) underwater microscope, demonstrating the capabilities of our model in a real-world application. The quantitative results demonstrate that our approach is competitive with state-of-the-art non-blind image deblurring methods despite having a fraction of the parameters and not being pre-trained, demonstrating the efficiency and efficacy of embedding a classic deconvolution approach inside a deep network.
• Abstract（参考訳）: 本稿では,従来の反復的手法を深層学習アプリケーションに組み込んだ非盲検画像分解モデルを提案する。 大規模な過パラメータ生成ネットワークを駆使してシャープな画像表現を生成する代わりに、トレーニング可能な畳み込み層と統合された反復的ランドウェブデコンボリューションアルゴリズムを用いて、復元された画像構造と詳細性を高めるネットワークを構築する。 データ忠実度項に加えて、画像再構成品質を改善するために、正規化項としてヘッセン制約とスパース制約を加える。 提案するモデルは \textit{self-supervised} であり、入力されたぼかし画像と各ぼやけカーネルに基づいて、事前学習を必要とせずに解に収束する。 本手法は, 標準コンピュータビジョンベンチマークデータセットと, 改良深視野顕微鏡(edof)によって得られた実顕微鏡画像を用いて評価し, 実世界応用におけるモデルの有用性を実証する。 提案手法は,パラメータのごく一部を持ち,事前訓練を受けていないにもかかわらず,最先端の非盲検画像復調法と競合し,従来のデコンボリューション手法を深層ネットワークに組み込むことの有効性と有効性を示す。

関連論文リスト

• Deep Domain Adaptation: A Sim2Real Neural Approach for Improving Eye-Tracking Systems [80.62854148838359]
  眼球画像のセグメンテーションは、最終視線推定に大きな影響を及ぼす眼球追跡の重要なステップである。 対象視線画像と合成訓練データとの重なり合いを測定するために,次元還元法を用いている。 提案手法は,シミュレーションと実世界のデータサンプルの相違に対処する際の頑健で,性能が向上する。
  論文  参考訳（メタデータ） (2024-03-23T22:32:06Z)
• Distance Weighted Trans Network for Image Completion [52.318730994423106]
  本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
  論文  参考訳（メタデータ） (2023-10-11T12:46:11Z)
• Leveraging Classic Deconvolution and Feature Extraction in Zero-Shot Image Restoration [0.4398130586098371]
  非盲点デコンボリューションは、取得したカーネルによってぼやけた画像からシャープなイメージを復元することを目的としている。 本稿では、ディープラーニングと古典的反復的デコンボリューションアルゴリズムの力を生かした、新しい非盲検デコンボリューション法を提案する。 本手法は,非ブレンドデコンボリューションタスクの様々な実世界のアプリケーションにおいて,大幅な改善を示す。
  論文  参考訳（メタデータ） (2023-10-03T14:41:30Z)
• Spherical Image Inpainting with Frame Transformation and Data-driven Prior Deep Networks [13.406134708071345]
  本研究では,深層学習に基づく正規化器を用いた球面画像の塗布作業に焦点をあてる。 我々は,高速な球面ハールフレームレット変換を採用し,フレームレット変換のスパース性仮定に基づく新しい最適化フレームワークを開発した。 提案アルゴリズムは、損傷した球面画像を大幅に復元し、深層学習デノイザとプラグ・アンド・プレイモデルを用いて、純粋に最高の性能が得られることを示す。
  論文  参考訳（メタデータ） (2022-09-29T07:51:27Z)
• Adaptive Convolutional Dictionary Network for CT Metal Artifact Reduction [62.691996239590125]
  本稿では,金属人工物削減のための適応畳み込み辞書ネットワーク(ACDNet)を提案する。 我々のACDNetは、トレーニングデータを介して、アーティファクトフリーCT画像の事前を自動で学習し、入力されたCT画像ごとに表現カーネルを適応的に調整することができる。 本手法は,モデルに基づく手法の明確な解釈可能性を継承し,学習に基づく手法の強力な表現能力を維持する。
  論文  参考訳（メタデータ） (2022-05-16T06:49:36Z)
• 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)
• DWDN: Deep Wiener Deconvolution Network for Non-Blind Image Deblurring [66.91879314310842]
  本稿では,古典的なWienerデコンボリューションフレームワークを学習深い特徴と統合することにより,特徴空間における明示的なデコンボリューションプロセスを提案する。 マルチスケールのカスケード機能改善モジュールは、分離された深い特徴から退色画像を予測する。 提案したDeep Wienerデコンボリューションネットワークは,目に見える成果物が少なく,かつ,最先端の非盲点画像デコンボリューション手法を広いマージンで定量的に上回っていることを示す。
  論文  参考訳（メタデータ） (2021-03-18T00:38:11Z)
• SIR: Self-supervised Image Rectification via Seeing the Same Scene from Multiple Different Lenses [82.56853587380168]
  本稿では、異なるレンズからの同一シーンの歪み画像の補正結果が同一であるべきという重要な知見に基づいて、新しい自己監督画像補正法を提案する。 我々は、歪みパラメータから修正画像を生成し、再歪み画像を生成するために、微分可能なワープモジュールを利用する。 本手法は,教師付きベースライン法や代表的最先端手法と同等あるいはそれ以上の性能を実現する。
  論文  参考訳（メタデータ） (2020-11-30T08:23:25Z)

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。