論文の概要: Robustness of Deep Equilibrium Architectures to Changes in the
Measurement Model
- arxiv url: http://arxiv.org/abs/2211.00531v1
- Date: Tue, 1 Nov 2022 15:35:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-02 14:47:16.577520
- Title: Robustness of Deep Equilibrium Architectures to Changes in the
Measurement Model
- Title(参考訳): 深部平衡構造の計測モデルの変化に対するロバスト性
- Authors: Junhao Hu, Shirin Shoushtari, Zihao Zou, Jiaming Liu, Zhixin Sun,
Ulugbek S.Kamilov
- Abstract要約: 深層モデルベースアーキテクチャ(DMBA)は、物理測定と画像の事前処理を統合するために逆問題の画像化に広く用いられている。
DEQのイメージは特定の測定モデルを用いてトレーニングされ、DECのイメージは一般的なイメージデノイザとしてトレーニングされる。
本稿では,測定モデルの変化に先行するDECのロバスト性について検討する。
- 参考スコア(独自算出の注目度): 16.689964509529403
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep model-based architectures (DMBAs) are widely used in imaging inverse
problems to integrate physical measurement models and learned image priors.
Plug-and-play priors (PnP) and deep equilibrium models (DEQ) are two DMBA
frameworks that have received significant attention. The key difference between
the two is that the image prior in DEQ is trained by using a specific
measurement model, while that in PnP is trained as a general image denoiser.
This difference is behind a common assumption that PnP is more robust to
changes in the measurement models compared to DEQ. This paper investigates the
robustness of DEQ priors to changes in the measurement models. Our results on
two imaging inverse problems suggest that DEQ priors trained under mismatched
measurement models outperform image denoisers.
- Abstract(参考訳): 深層モデルベースアーキテクチャ(dmbas)は、物理計測モデルと学習済み画像の優先順位を統合する逆問題の画像化に広く使われている。
プラグアンドプレイ事前(PnP)とディープ均衡モデル(DEQ)は2つのDMBAフレームワークであり、注目されている。
両者の主な違いは、DECに先行する画像が特定の測定モデルを用いて訓練されるのに対し、PnPでは一般的な画像デノイザとして訓練される点である。
この違いは、pnpが測定モデルの変化に対してdeqよりも頑健であるという共通の仮定の背後にある。
本稿では,測定モデルの変化に対するdeqのロバスト性について検討する。
画像逆問題に対する2つの結果から,不一致測定モデルで訓練されたdeqプライオリエントが画像デノイザを上回っていることが示唆された。
関連論文リスト
- Comparison of No-Reference Image Quality Models via MAP Estimation in
Diffusion Latents [99.19391983670569]
NR-IQAモデルは、画像強調のための最大後部推定(MAP)フレームワークにプラグイン可能であることを示す。
異なるNR-IQAモデルは異なる拡張イメージを誘導し、最終的には精神物理学的なテストを受ける。
これにより, NR-IQAモデルの比較を行う新たな計算手法が提案される。
論文 参考訳(メタデータ) (2024-03-11T03:35:41Z) - Predictable MDP Abstraction for Unsupervised Model-Based RL [93.91375268580806]
予測可能なMDP抽象化(PMA)を提案する。
元のMDPで予測モデルを訓練する代わりに、学習されたアクション空間を持つ変換MDPでモデルを訓練する。
我々はPMAを理論的に解析し、PMAが以前の教師なしモデルベースRLアプローチよりも大幅に改善することを示す。
論文 参考訳(メタデータ) (2023-02-08T07:37:51Z) - JPEG Artifact Correction using Denoising Diffusion Restoration Models [110.1244240726802]
本稿では,DDRM(Denoising Diffusion Restoration Models)に基づいて,非線形逆問題の解法を提案する。
我々は、DDRMで使用される擬逆演算子を活用し、この概念を他の測度演算子に一般化する。
論文 参考訳(メタデータ) (2022-09-23T23:47:00Z) - Deep Model-Based Architectures for Inverse Problems under Mismatched
Priors [15.662343976149637]
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。
論文 参考訳(メタデータ) (2022-07-26T22:13:56Z) - Deep Learning-Based Defect Classification and Detection in SEM Images [1.9206693386750882]
特に、異なるResNet、VGGNetアーキテクチャをバックボーンとして使用するRetinaNetモデルをトレーニングする。
そこで本研究では,異なるモデルからの出力予測を組み合わせることで,欠陥の分類と検出に優れた性能を実現するための選好に基づくアンサンブル戦略を提案する。
論文 参考訳(メタデータ) (2022-06-20T16:34:11Z) - Online Deep Equilibrium Learning for Regularization by Denoising [20.331171081002957]
Plug-and-Play Equilibrium Priors (メモリ)とRegularization by Denoising (RED)は、固定点の計算によって逆画像問題を解決するために広く使われているフレームワークである。
我々は,測定総数に基づいてDEC/REDの効率を向上させるための新しい戦略としてODERを提案する。
以上の結果から,ODERによるトレーニング/テストの複雑さが3つの異なる画像応用において改善する可能性が示唆された。
論文 参考訳(メタデータ) (2022-05-25T21:06:22Z) - Model soups: averaging weights of multiple fine-tuned models improves
accuracy without increasing inference time [69.7693300927423]
複数モデルの重み付けを異なるパラメータ構成で微調整することにより,精度とロバスト性が向上することを示す。
モデルスープ手法は,複数の画像分類や自然言語処理タスクにまで拡張されている。
論文 参考訳(メタデータ) (2022-03-10T17:03:49Z) - A Model for Multi-View Residual Covariances based on Perspective
Deformation [88.21738020902411]
マルチビューSfM, オードメトリ, SLAMセットアップにおける視覚的残差の共分散モデルの導出を行う。
我々は、合成データと実データを用いてモデルを検証し、それを光度および特徴量に基づくバンドル調整に統合する。
論文 参考訳(メタデータ) (2022-02-01T21:21:56Z) - Post-mortem on a deep learning contest: a Simpson's paradox and the
complementary roles of scale metrics versus shape metrics [61.49826776409194]
我々は、ニューラルネットワーク(NN)モデルの一般化精度を予測するために、コンテストで公に利用可能にされたモデルのコーパスを分析する。
メトリクスが全体としてよく機能するが、データのサブパーティションではあまり機能しない。
本稿では,データに依存しない2つの新しい形状指標と,一連のNNのテスト精度の傾向を予測できるデータ依存指標を提案する。
論文 参考訳(メタデータ) (2021-06-01T19:19:49Z) - A Gradient Flow Framework For Analyzing Network Pruning [11.247894240593693]
最近のネットワークプルーニング手法は、トレーニングの初期段階におけるプルーニングモデルに焦点を当てている。
モデルパラメータのノルムを通した重要度を統一するために勾配流を用いた一般的なフレームワークを開発する。
我々は,CIFAR-10/CIFAR-100でトレーニングしたVGG-13,MobileNet-V1,ResNet-56のいくつかのモデルについて検証を行った。
論文 参考訳(メタデータ) (2020-09-24T17:37:32Z)
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。