論文の概要: Plug-and-Play Deep Energy Model for Inverse problems

• arxiv url: http://arxiv.org/abs/2302.11570v1
• Date: Wed, 15 Feb 2023 09:44:45 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-26 13:24:08.286527
• Title: Plug-and-Play Deep Energy Model for Inverse problems
• Title（参考訳）: 逆問題に対するプラグアンドプレイ深部エネルギーモデル
• Authors: Jyothi Rikabh Chand, Mathews Jacob
• Abstract要約: プラグイン・アンド・プレイ(CNN)画像回復のための新しいエネルギー定式化を導入する。 提案モデルは,学習したスコアモデルが縮尺モデルでない場合でも,収束保証付きアルゴリズムを提供する。
• 参考スコア（独自算出の注目度）: 18.047694351309204
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce a novel energy formulation for Plug- and-Play (PnP) image recovery. Traditional PnP methods that use a convolutional neural network (CNN) do not have an energy based formulation. The primary focus of this work is to introduce an energy-based PnP formulation, which relies on a CNN that learns the log of the image prior from training data. The score function is evaluated as the gradient of the energy model, which resembles a UNET with shared encoder and decoder weights. The proposed score function is thus constrained to a conservative vector field, which is the key difference with classical PnP models. The energy-based formulation offers algorithms with convergence guarantees, even when the learned score model is not a contraction. The relaxation of the contraction constraint allows the proposed model to learn more complex priors, thus offering improved performance over traditional PnP schemes. Our experiments in magnetic resonance image reconstruction demonstrates the improved performance offered by the proposed energy model over traditional PnP methods.
• Abstract（参考訳）: プラグアンドプレイ(PnP)画像回復のための新しいエネルギー定式化を導入する。 畳み込みニューラルネットワーク(CNN)を用いた従来のPnP法は、エネルギーベースの定式化を持たない。 この研究の主な焦点は、トレーニングデータから画像のログを学習するCNNに依存するエネルギーベースのPnP定式化の導入である。 スコア関数は、共有エンコーダとデコーダ重みを持つUNETに類似したエネルギーモデルの勾配として評価される。 提案したスコア関数は、古典的PnPモデルとの大きな違いである保守的ベクトル場に制約される。 エネルギーに基づく定式化は、学習したスコアモデルが収縮でない場合でも収束を保証するアルゴリズムを提供する。 収縮制約の緩和により、提案モデルはより複雑な事前学習が可能となり、従来のPnPスキームよりも性能が向上した。 磁気共鳴画像再構成実験では,従来のpnp法よりも,提案するエネルギーモデルによる性能向上が実証された。

関連論文リスト

• Latent Space Energy-based Neural ODEs [73.01344439786524]
  本稿では,連続時間シーケンスデータを表現するために設計された深部力学モデルの新しいファミリを紹介する。 マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。 発振システム、ビデオ、実世界の状態シーケンス(MuJoCo)の実験は、学習可能なエネルギーベース以前のODEが既存のものより優れていることを示している。
  論文  参考訳（メタデータ） (2024-09-05T18:14:22Z)
• vHeat: Building Vision Models upon Heat Conduction [63.00030330898876]
  vHeatは、高い計算効率とグローバルな受容場の両方を同時に達成する、新しいビジョンバックボーンモデルである。 基本的な考え方は、画像パッチを熱源として概念化し、それらの相関の計算を熱エネルギーの拡散としてモデル化することである。
  論文  参考訳（メタデータ） (2024-05-26T12:58:04Z)
• Scalable Imaginary Time Evolution with Neural Network Quantum States [0.0]
  ニューラルネットワーク量子状態(NQS)としての量子波関数の表現は、多体量子系の基底状態を見つけるための強力な変分アンサッツを提供する。 我々は、計量テンソルの計算をバイパスするアプローチを導入し、代わりにユークリッド計量を用いた一階降下にのみ依存する。 我々は,NQSのエネルギーが減少するまで最適な時間ステップを決定し,目標を固定し,適応的に安定させる。
  論文  参考訳（メタデータ） (2023-07-28T12:26:43Z)
• Generative Plug and Play: Posterior Sampling for Inverse Problems [4.417934991211913]
  Plug-Play(および)は、前方モデルと先行モデルからなるフレームワークを使用してイメージを再構築する一般的な方法となっている。 BM3Dデノイザを用いた実験シミュレーションを行った。
  論文  参考訳（メタデータ） (2023-06-12T16:49:08Z)
• A Neural Network Implementation for Free Energy Principle [3.7937771805690392]
  自由エネルギー原理 (FEP) は認知科学、神経科学、社会相互作用、熱力学などの分野における様々な問題に広く応用されている。 本稿では、古典的ニューラルネットワークモデルであるヘルムホルツマシンを用いて、FEPと機械学習をブリッジする予備的な試みを示す。 ヘルムホルツ機械は一時的ではないが、バニラFEPと脳の階層モデルと平行な理想を与える。
  論文  参考訳（メタデータ） (2023-06-11T22:14:21Z)
• Energy Transformer [64.22957136952725]
  我々の研究は、機械学習における有望な3つのパラダイム、すなわち注意機構、エネルギーベースモデル、連想記憶の側面を組み合わせる。 本稿では,エネルギー変換器(ET,Energy Transformer)と呼ばれる新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-02-14T18:51:22Z)
• 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)
• An Energy-Based Prior for Generative Saliency [62.79775297611203]
  本稿では,情報的エネルギーベースモデルを事前分布として採用する,新たな生成正当性予測フレームワークを提案する。 生成サリエンシモデルを用いて,画像から画素単位の不確実性マップを得ることができ,サリエンシ予測におけるモデル信頼度を示す。 実験結果から, エネルギーベース先行モデルを用いた生成塩分率モデルでは, 精度の高い塩分率予測だけでなく, 人間の知覚と整合した信頼性の高い不確実性マップを実現できることが示された。
  論文  参考訳（メタデータ） (2022-04-19T10:51:00Z)
• Dual Training of Energy-Based Models with Overparametrized Shallow Neural Networks [41.702175127106784]
  エネルギーベースモデル(英: Energy-based model、EBM)は、通常最大推定によって訓練される生成モデルである。 本稿では,データセットから引き出されたランダムなサンプルで粒子を再起動するEMMアルゴリズムの2つの定式化を提案し,その再起動が各ステップ毎にスコアに対応することを示す。 これらの結果は単純な数値実験で説明される。
  論文  参考訳（メタデータ） (2021-07-11T21:43:18Z)
• 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)
• Targeted free energy estimation via learned mappings [66.20146549150475]
  自由エネルギー摂動 (FEP) は60年以上前にズワンツィヒによって自由エネルギー差を推定する方法として提案された。 FEPは、分布間の十分な重複の必要性という厳しい制限に悩まされている。 目標自由エネルギー摂動(Targeted Free Energy Perturbation)と呼ばれるこの問題を緩和するための1つの戦略は、オーバーラップを増やすために構成空間の高次元マッピングを使用する。
  論文  参考訳（メタデータ） (2020-02-12T11:10:00Z)

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。