論文の概要: Compressive Sensing with Tensorized Autoencoder
- arxiv url: http://arxiv.org/abs/2303.06235v1
- Date: Fri, 10 Mar 2023 22:59:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-14 20:13:42.963527
- Title: Compressive Sensing with Tensorized Autoencoder
- Title（参考訳）: テンソル化オートエンコーダによる圧縮センシング
- Authors: Rakib Hyder and M. Salman Asif
- Abstract要約: 多くの場合、コレクション内の異なるイメージは互いに明瞭なバージョンである。
本研究の目的は,データに先行する構造として,接地木(クリーン)画像にアクセスすることなく画像の復元を行うことである。
本稿では,データに構造的制約を課すために,埋め込み空間上でテンソルリングの分解を施したオートエンコーダを学習することを提案する。
- 参考スコア（独自算出の注目度）: 22.89029876274012
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep networks can be trained to map images into a low-dimensional latent
space. In many cases, different images in a collection are articulated versions
of one another; for example, same object with different lighting, background,
or pose. Furthermore, in many cases, parts of images can be corrupted by noise
or missing entries. In this paper, our goal is to recover images without access
to the ground-truth (clean) images using the articulations as structural prior
of the data. Such recovery problems fall under the domain of compressive
sensing. We propose to learn autoencoder with tensor ring factorization on the
the embedding space to impose structural constraints on the data. In
particular, we use a tensor ring structure in the bottleneck layer of the
autoencoder that utilizes the soft labels of the structured dataset. We
empirically demonstrate the effectiveness of the proposed approach for
inpainting and denoising applications. The resulting method achieves better
reconstruction quality compared to other generative prior-based self-supervised
recovery approaches for compressive sensing.
- Abstract（参考訳）: ディープネットワークは、イメージを低次元の潜在空間にマッピングするように訓練することができる。
多くの場合、コレクション内の異なる画像は互いに明瞭なバージョンであり、例えば、異なる照明、背景、ポーズを持つ同じオブジェクトである。
さらに、多くの場合、画像の一部がノイズや欠落によって破損することがある。
本研究の目的は,データに先行する構造として,接地構造(クリーン)画像にアクセスすることなく画像の復元を行うことである。
このような回復問題は圧縮センシングの領域に該当する。
埋め込み空間上でテンソルリング因子化を伴う自動エンコーダを学習し,データに構造的制約を課す。
特に、構造化データセットのソフトラベルを利用するオートエンコーダのボトルネック層にテンソルリング構造を用いる。
提案手法の有効性を実証的に実証した。
本手法は, 圧縮センシングのための自己教師付き自己修復手法に比べて, 再現性の向上を実現する。
関連論文リスト
- DIAR: Deep Image Alignment and Reconstruction using Swin Transformers [3.1000291317724993]
画像歪みのある画像を含むデータセットを作成する。
我々は、対応する地平線ホモグラフをラベルとして、視点歪みを生成する。
データセットを使用して、Swinトランスフォーマーモデルをトレーニングし、シーケンシャルな画像データを分析します。
論文 参考訳（メタデータ） (2023-10-17T21:59:45Z) - Zero shot framework for satellite image restoration [25.163783640750573]
衛星画像復元のための歪み分散と知識蒸留の枠組みを提案する。
我々のアルゴリズムでは、歪みした衛星画像の復元と、類似した意味を持つ参照画像の2つの画像しか必要としない。
論文 参考訳（メタデータ） (2023-06-05T14:34:58Z) - Sequential image recovery using joint hierarchical Bayesian learning [6.881629943427059]
本稿では,階層型ベイズ学習に基づく連続画像の連成復元手法を提案する。
本手法は,他の画像から「ボーリング」することで,各画像の欠落情報を復元する。
いくつかの予備的な結果は、シーケンシャルデブロアリングと磁気共鳴イメージングにその可能性を示している。
論文 参考訳（メタデータ） (2022-06-25T22:31:32Z) - Reducing Redundancy in the Bottleneck Representation of the Autoencoders [98.78384185493624]
オートエンコーダは教師なしニューラルネットワークの一種であり、様々なタスクを解くのに使用できる。
本稿では,ボトルネック表現における特徴冗長性を明示的に罰する手法を提案する。
我々は,3つの異なるデータセットを用いた次元削減,MNISTデータセットを用いた画像圧縮,ファッションMNISTを用いた画像デノナイズという,さまざまなタスクにまたがってアプローチを検証した。
論文 参考訳（メタデータ） (2022-02-09T18:48:02Z) - Modeling Lost Information in Lossy Image Compression [72.69327382643549]
ロスシー画像圧縮は、デジタル画像の最もよく使われる演算子の1つである。
Invertible Lossy Compression (ILC) と呼ばれる新しい非可逆的フレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-22T04:04:56Z) - Neural Sparse Representation for Image Restoration [116.72107034624344]
スパース符号化に基づく画像復元モデルの堅牢性と効率に触発され,深部ネットワークにおけるニューロンの空間性について検討した。
本手法は,隠れたニューロンに対する空間的制約を構造的に強制する。
実験により、複数の画像復元タスクのためのディープニューラルネットワークではスパース表現が不可欠であることが示されている。
論文 参考訳（メタデータ） (2020-06-08T05:15:17Z) - Pyramid Attention Networks for Image Restoration [124.34970277136061]
自己相似性(Self-similarity)とは、画像復元アルゴリズムで広く使われる画像を指す。
近年の深層畳み込みニューラルネットワークによる画像復元手法は, 自己相似性を十分に活用していない。
画像復元のための新しいピラミッドアテンションモジュールを提案し,マルチスケール特徴ピラミッドから長距離特徴対応をキャプチャする。
論文 参考訳（メタデータ） (2020-04-28T21:12:36Z) - Disentangled Image Generation Through Structured Noise Injection [48.956122902434444]
生成ネットワークの第1層における乱れは生成した画像の乱れにつながることを示す。
本研究では,前景の空間的ゆがみ,空間的ゆがみ,空間的ゆがみ,背景からの物体のゆがみを実現する。
これは、FFHQデータセットの最先端のメソッドよりも、実証的に不整合スコアが向上する。
論文 参考訳（メタデータ） (2020-04-26T15:15:19Z) - Distributed Learning and Inference with Compressed Images [40.07509530656681]
本稿では,自律運転に対する視覚に基づく認識をパラダイムシナリオとして取り上げる。
生成逆ネットワーク(GAN)を用いた画像復元に基づくデータセット復元を提案する。
本手法は,特定の画像圧縮手法と下流タスクの両方に非依存である。
論文 参考訳（メタデータ） (2020-04-22T11:20:53Z) - Reconstructing the Noise Manifold for Image Denoising [56.562855317536396]
本稿では,画像ノイズ空間の構造を明示的に活用するcGANを提案する。
画像ノイズの低次元多様体を直接学習することにより、この多様体にまたがる情報のみをノイズ画像から除去する。
我々の実験に基づいて、我々のモデルは既存の最先端アーキテクチャを大幅に上回っている。
論文 参考訳（メタデータ） (2020-02-11T00:31:31Z) - Spatial-Adaptive Network for Single Image Denoising [14.643663950015334]
本稿では,効率的な単一画像ブラインドノイズ除去のための空間適応型雑音除去ネットワーク(SADNet)を提案する。
本手法は, 定量的かつ視覚的に, 最先端の復調法を超越することができる。
論文 参考訳（メタデータ） (2020-01-28T12:24:17Z)
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。