論文の概要: Fast and Painless Image Reconstruction in Deep Image Prior Subspaces
- arxiv url: http://arxiv.org/abs/2302.10279v1
- Date: Mon, 20 Feb 2023 20:19:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-22 17:21:41.339163
- Title: Fast and Painless Image Reconstruction in Deep Image Prior Subspaces
- Title（参考訳）: 深部画像先行空間における高速・無痛画像再構成
- Authors: Riccardo Barbano, Javier Antor\'an, Johannes Leuschner, Jos\'e Miguel
Hern\'andez-Lobato, \v{Z}eljko Kereta, Bangti Jin
- Abstract要約: DIPの実践的な展開を妨げた2つの重要な問題に対処する。
再構成毎に個別のディープネットワークをトレーニングするのに長い計算時間が必要であり、堅牢な早期停止戦略の欠如により過度に適合する可能性があった。
本研究は,DIP事前学習中に同じ間隔でサンプリングされたパラメータベクトルの集合の主固有空間から部分空間を構築する。
結果として生じる部分空間の低次元性は、DIPのノイズに適合する容量を減らし、高速な二階最適化法を可能にする。
- 参考スコア（独自算出の注目度）: 0.18472148461613155
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The deep image prior (DIP) is a state-of-the-art unsupervised approach for
solving linear inverse problems in imaging. We address two key issues that have
held back practical deployment of the DIP: the long computing time needed to
train a separate deep network per reconstruction, and the susceptibility to
overfitting due to a lack of robust early stopping strategies in the
unsupervised setting. To this end, we restrict DIP optimisation to a sparse
linear subspace of the full parameter space. We construct the subspace from the
principal eigenspace of a set of parameter vectors sampled at equally spaced
intervals during DIP pre-training on synthetic task-agnostic data. The
low-dimensionality of the resulting subspace reduces DIP's capacity to fit
noise and allows the use of fast second order optimisation methods, e.g.,
natural gradient descent or L-BFGS. Experiments across tomographic tasks of
different geometry, ill-posedness and stopping criteria consistently show that
second order optimisation in a subspace is Pareto-optimal in terms of
optimisation time to reconstruction fidelity trade-off.
- Abstract（参考訳）: deep image prior (dip) は、画像の線形逆問題を解くための最先端の非教師なしアプローチである。
DIPの実践的な展開を妨げた2つの重要な問題に対処する: 再構成毎に個別のディープネットワークをトレーニングするのに要する長いコンピューティング時間と、教師なし環境での堅牢な早期停止戦略の欠如により過度に適合する可能性。
この目的のために、ディップ最適化を全パラメータ空間のスパース線型部分空間に制限する。
合成タスク非依存データに対するディップ事前学習中に等間隔でサンプリングされたパラメータベクトルの集合の主固有空間から部分空間を構成する。
結果として生じる部分空間の低次元性は、DIPのノイズに適合する容量を減少させ、例えば自然勾配降下やL-BFGSのような高速な2階最適化手法を使用できる。
異なる幾何学、不適切性、停止基準のトモグラフィータスクにおける実験は、部分空間における二階最適化が、再構成忠実性トレードオフに対する最適化時間の観点からパレート最適化であることを示している。
関連論文リスト
- Towards Cross-View-Consistent Self-Supervised Surround Depth Estimation [9.569646683579899]
連続画像からの自己監督下周深度推定は経済的な代替手段を提供する。
従来のSSSDE法では、画像間で情報を融合する異なるメカニズムが提案されているが、それらのいくつかは、クロスビュー制約を明示的に考慮している。
本稿では,SSSDEのクロスビュー一貫性を高めるために,効率的で一貫したポーズ推定設計と2つの損失関数を提案する。
論文 参考訳（メタデータ） (2024-07-04T16:29:05Z) - Double Duality: Variational Primal-Dual Policy Optimization for
Constrained Reinforcement Learning [132.7040981721302]
本研究では,訪問尺度の凸関数を最小化することを目的として,制約付き凸決定プロセス(MDP)について検討する。
制約付き凸MDPの設計アルゴリズムは、大きな状態空間を扱うなど、いくつかの課題に直面している。
論文 参考訳（メタデータ） (2024-02-16T16:35:18Z) - Latent Diffusion Prior Enhanced Deep Unfolding for Snapshot Spectral Compressive Imaging [17.511583657111792]
スナップショット分光画像再構成は、単発2次元圧縮計測から3次元空間スペクトル像を再構成することを目的としている。
我々は, 深部展開法に先立って劣化のないモデルを生成するため, 遅延拡散モデル(LDM)という生成モデルを導入する。
論文 参考訳（メタデータ） (2023-11-24T04:55:20Z) - Improving Neural Indoor Surface Reconstruction with Mask-Guided Adaptive
Consistency Constraints [0.6749750044497732]
本稿では、ビュー依存色とビュー非依存色を分離する2段階のトレーニングプロセスを提案し、さらに2つの新しい一貫性制約を活用して、余分な事前処理を必要とせず、詳細な再構成性能を向上させる。
合成および実世界のデータセットの実験は、事前推定誤差から干渉を減らす能力を示している。
論文 参考訳（メタデータ） (2023-09-18T13:05:23Z) - Rank-Enhanced Low-Dimensional Convolution Set for Hyperspectral Image
Denoising [50.039949798156826]
本稿では,ハイパースペクトル(HS)画像の難解化問題に対処する。
ランク付き低次元畳み込み集合(Re-ConvSet)を提案する。
次に、Re-ConvSetを広く使われているU-Netアーキテクチャに組み込んで、HS画像復号法を構築する。
論文 参考訳（メタデータ） (2022-07-09T13:35:12Z) - A Fast Alternating Minimization Algorithm for Coded Aperture Snapshot
Spectral Imaging Based on Sparsity and Deep Image Priors [8.890754092562918]
Coded Aperture snapshot Spectrum Imaging (CASSI)は、3次元ハイパースペクトル画像(HSI)を再構成する技術である。
本稿では,自然画像の空間と深部画像の先行値(Fama-P)に基づいて,高速な変動最小化アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-06-12T03:29:14Z) - A Probabilistic Deep Image Prior for Computational Tomography [0.19573380763700707]
既存の深層学習によるトモグラフィ画像再構成手法では,復元の不確かさの正確な推定は得られない。
我々は,古典的全変動(TV)正規化器と現代の深部画像先行(DIP)を組み合わせたトモグラフィー再構成のためのベイズ事前構築を行う。
提案手法は,高次元設定にスケーラブルな線形化Laplace法に基づく手法である。
論文 参考訳（メタデータ） (2022-02-28T14:47:14Z) - Implicit Subspace Prior Learning for Dual-Blind Face Restoration [66.67059961379923]
新しい暗黙的サブスペース事前学習(ISPL)フレームワークが、二重盲顔復元の一般的な解決策として提案されている。
実験の結果,既存の最先端手法に対するISPLの認識歪改善が顕著であった。
論文 参考訳（メタデータ） (2020-10-12T08:04:24Z) - Cogradient Descent for Bilinear Optimization [124.45816011848096]
双線形問題に対処するために、CoGDアルゴリズム(Cogradient Descent Algorithm)を導入する。
一方の変数は、他方の変数との結合関係を考慮し、同期勾配降下をもたらす。
本アルゴリズムは,空間的制約下での1変数の問題を解くために応用される。
論文 参考訳（メタデータ） (2020-06-16T13:41:54Z) - Light Field Spatial Super-resolution via Deep Combinatorial Geometry
Embedding and Structural Consistency Regularization [99.96632216070718]
ハンドヘルドデバイスが取得した光フィールド(LF)画像は通常、空間分解能の低下に悩まされる。
LF画像の高次元空間特性と複雑な幾何学構造は、従来の単一像SRよりも問題をより困難にしている。
本稿では,LF画像の各ビューを個別に超解答する新しい学習ベースLFフレームワークを提案する。
論文 参考訳（メタデータ） (2020-04-05T14:39:57Z) - Structure-Preserving Super Resolution with Gradient Guidance [87.79271975960764]
単一画像超解像(SISR)の構造
最近のGAN(Generative Adversarial Network)による研究は、SISRの開発を促進している。
しかし、復元された画像には常に望ましくない構造歪みがある。
論文 参考訳（メタデータ） (2020-03-29T17:26:58Z)
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。