Fugu-MT 論文翻訳(概要): SUD$^2$: Supervision by Denoising Diffusion Models for Image Reconstruction

論文の概要: SUD$^2$: Supervision by Denoising Diffusion Models for Image Reconstruction

arxiv url: http://arxiv.org/abs/2303.09642v2
Date: Mon, 3 Apr 2023 14:47:11 GMT
ステータス: 処理完了
システム内更新日: 2023-04-04 20:54:31.896590
Title: SUD$^2$: Supervision by Denoising Diffusion Models for Image Reconstruction
Title（参考訳）: SUD$^2$:画像再構成のための拡散モデルによるスーパービジョン
Authors: Matthew A. Chan, Sean I. Young, Christopher A. Metzler
Abstract要約: 多くの逆画像問題$suchnox2014$は、パラメータが未知あるいは未知であるため困難である。このような問題はデータと組み合わせて解決できるが、そのようなデータは利用できないことが多い。本稿では,画像ネットワークをデノベートするためのフレームワークを訓練するためのトレーニングを提案する。
参考スコア（独自算出の注目度）: 18.95437613895831
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Many imaging inverse problems$\unicode{x2014}$such as image-dependent in-painting and dehazing$\unicode{x2014}$are challenging because their forward models are unknown or depend on unknown latent parameters. While one can solve such problems by training a neural network with vast quantities of paired training data, such paired training data is often unavailable. In this paper, we propose a generalized framework for training image reconstruction networks when paired training data is scarce. In particular, we demonstrate the ability of image denoising algorithms and, by extension, denoising diffusion models to supervise network training in the absence of paired training data.
Abstract（参考訳）: 多くのイメージング逆問題$\unicode{x2014}$ 画像依存のin-paintingやdehazing$\unicode{x2014}$ は、前方モデルが未知あるいは未知の潜在パラメータに依存しているため困難である。膨大な量のペアトレーニングデータでニューラルネットワークをトレーニングすることで、そのような問題を解決することができるが、ペアトレーニングデータはしばしば利用できない。本稿では,ペアトレーニングデータが少ない場合に,画像再構成ネットワークをトレーニングするための汎用フレームワークを提案する。特に,画像復号化アルゴリズムと拡張により,ペアトレーニングデータがない場合のネットワークトレーニングを監督する拡散モデルをデノナイズする能力を示す。

関連論文リスト

The Journey, Not the Destination: How Data Guides Diffusion Models [75.19694584942623]
大規模なデータセットでトレーニングされた拡散モデルは、顕著な品質と多様性のフォトリアリスティックなイメージを合成することができる。 i)拡散モデルの文脈でデータ属性の形式的概念を提供し、(ii)そのような属性を反実的に検証することを可能にする枠組みを提案する。
論文参考訳（メタデータ） (2023-12-11T08:39:43Z)
Generalization in diffusion models arises from geometry-adaptive harmonic representations [21.384922363202335]
画像復調のために訓練されたディープニューラルネットワーク(DNN)は、スコアベースの逆拡散アルゴリズムを用いて高品質なサンプルを生成することができる。トレーニングセットの記憶に関する最近の報告は、これらのネットワークがデータの「真の」連続密度を学習しているかどうかという疑問を提起している。データセットの重複しない部分集合でトレーニングされた2つのDNNは、ほぼ同じスコア関数を学習し、したがってトレーニング画像の数が十分に大きい場合、同じ密度を学習する。
論文参考訳（メタデータ） (2023-10-04T03:30:32Z)
Federated Neural Radiance Fields [36.42289161746808]
複数の計算ノードがそれぞれのシーンの異なる観察セットを取得し、共通のNeRFを並列に学習する。このアルゴリズムは、トレーニング作業を複数の計算ノードに分割し、イメージを中央ノードにプールする必要をなくします。また、NeRF層の低ランク分解に基づく手法を導入し、帯域幅を削減し、アグリゲーションのためのモデルパラメーターを送信する。
論文参考訳（メタデータ） (2023-05-02T02:33:22Z)
Masked Image Training for Generalizable Deep Image Denoising [53.03126421917465]
本稿では,デノナイジングネットワークの一般化性能を高めるための新しい手法を提案する。提案手法では,入力画像のランダムなピクセルをマスキングし,学習中に欠落した情報を再構成する。提案手法は,他のディープラーニングモデルよりも優れた一般化能力を示し,実世界のシナリオに直接適用可能である。
論文参考訳（メタデータ） (2023-03-23T09:33:44Z)
Decoupled Mixup for Generalized Visual Recognition [71.13734761715472]
視覚認識のためのCNNモデルを学習するための新しい「デカップリング・ミクスアップ」手法を提案する。本手法は,各画像を識別領域と雑音発生領域に分離し,これらの領域を均一に組み合わせてCNNモデルを訓練する。実験結果から,未知のコンテキストからなるデータに対する本手法の高一般化性能を示す。
論文参考訳（メタデータ） (2022-10-26T15:21:39Z)
Training Patch Analysis and Mining Skills for Image Restoration Deep Neural Networks [20.195082841065947]
本稿では、トレーニングパッチの分析を行い、異なるパッチ抽出方法の結果について検討する。本稿では,与えられたトレーニング画像からパッチ抽出を行うためのガイドラインを提案する。
論文参考訳（メタデータ） (2022-07-03T16:37:57Z)
Denoising Diffusion Restoration Models [110.1244240726802]
Denoising Diffusion Restoration Models (DDRM) は効率的で教師なしの後方サンプリング手法である。 DDRMの汎用性を、超高解像度、デブロアリング、インペイント、カラー化のためにいくつかの画像データセットに示す。
論文参考訳（メタデータ） (2022-01-27T20:19:07Z)
Multi-Agent Semi-Siamese Training for Long-tail and Shallow Face Learning [54.13876727413492]
多くの現実世界の顔認識シナリオでは、トレーニングデータセットの深さは浅いため、IDごとに2つの顔画像しか利用できません。非均一なサンプルの増加により、このような問題はより一般的なケース、すなわち長い尾の顔学習に変換される。これらの問題に対処するために,マルチエージェントセミシアントレーニング(masst)という高度なソリューションを導入する。広範な実験と比較は、長い尾と浅い顔学習のためのMASSTの利点を示しています。
論文参考訳（メタデータ） (2021-05-10T04:57:32Z)
Compressive sensing with un-trained neural networks: Gradient descent finds the smoothest approximation [60.80172153614544]
訓練されていない畳み込みニューラルネットワークは、画像の回復と復元に非常に成功したツールとして登場した。トレーニングされていない畳み込みニューラルネットワークは、ほぼ最小限のランダムな測定値から、十分に構造化された信号や画像を概ね再構成可能であることを示す。
論文参考訳（メタデータ） (2020-05-07T15:57:25Z)
Self-supervised Fine-tuning for Correcting Super-Resolution Convolutional Neural Networks [17.922507191213494]
完全自己教師型微調整アプローチにより、SR結果のトレーニングや修正を回避できることが示される。我々は,複数の画像とビデオのSR CNNに微調整アルゴリズムを適用し,準最適SR解に対して精度良く修正可能であることを示す。
論文参考訳（メタデータ） (2019-12-30T11:02:58Z)

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。