論文の概要: Image Reconstruction without Explicit Priors
- arxiv url: http://arxiv.org/abs/2303.12217v1
- Date: Tue, 21 Mar 2023 22:35:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-23 15:56:02.169905
- Title: Image Reconstruction without Explicit Priors
- Title（参考訳）: 明示的先行性のない画像再構成
- Authors: Angela F. Gao, Oscar Leong, He Sun, Katherine L. Bouman
- Abstract要約: 提案手法では,画像前処理や地中処理を行なわずに,不適切な画像逆問題に対処することを検討する。
低次元の潜在空間を持つ共有画像生成器を学習することにより,そのような逆問題の集合を同時に解くことができることを示す。
- 参考スコア（独自算出の注目度）: 10.95255225121041
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We consider solving ill-posed imaging inverse problems without access to an
explicit image prior or ground-truth examples. An overarching challenge in
inverse problems is that there are many undesired images that fit to the
observed measurements, thus requiring image priors to constrain the space of
possible solutions to more plausible reconstructions. However, in many
applications it is difficult or potentially impossible to obtain ground-truth
images to learn an image prior. Thus, inaccurate priors are often used, which
inevitably result in biased solutions. Rather than solving an inverse problem
using priors that encode the explicit structure of any one image, we propose to
solve a set of inverse problems jointly by incorporating prior constraints on
the collective structure of the underlying images.The key assumption of our
work is that the ground-truth images we aim to reconstruct share common,
low-dimensional structure. We show that such a set of inverse problems can be
solved simultaneously by learning a shared image generator with a
low-dimensional latent space. The parameters of the generator and latent
embedding are learned by maximizing a proxy for the Evidence Lower Bound
(ELBO). Once learned, the generator and latent embeddings can be combined to
provide reconstructions for each inverse problem. The framework we propose can
handle general forward model corruptions, and we show that measurements derived
from only a few ground-truth images (O(10)) are sufficient for image
reconstruction without explicit priors.
- Abstract（参考訳）: 提案手法では,画像前処理や地中処理を行なわずに画像逆問題に対処する。
逆問題における過大な課題は、観測された測定値に適合する望ましくない画像が多数存在することである。
しかし,多くのアプリケーションでは,画像の事前学習が難しい,あるいは不可能な場合が多い。
したがって、不正確な前もしばしば使われ、必然的に偏りのある解となる。
一つの画像の明示的な構造をエンコードする前処理を用いて逆問題を解くのではなく、基礎となる画像の集団構造に先行する制約を組み込んで逆問題の集合を協調的に解くことを提案する。
低次元の潜在空間を持つ共有画像生成器を学習することにより,そのような逆問題の集合を同時に解くことができることを示す。
ジェネレータと潜伏埋め込みのパラメータは、エビデンス下界(ELBO)のプロキシを最大化することによって学習する。
学習すれば、ジェネレータと潜在埋め込みを組み合わせることで、各逆問題に対する再構成が可能になる。
提案する枠組みは, 一般のフォワードモデル破損を処理可能であり, 露骨な前兆を伴わずに画像再構成を行うには, 少数の基底トラス画像(O(10)のみから得られる測定値が十分であることを示す。
関連論文リスト
- Iteratively Refined Image Reconstruction with Learned Attentive Regularizers [14.93489065234423]
本稿では,ディープラーニングの力を活用した画像再構成のための正規化手法を提案する。
これは一連の凸問題の最小化に対応するためである。
解釈可能性、理論的保証、信頼性、パフォーマンスの両立を約束するバランスを提供します。
論文 参考訳（メタデータ） (2024-07-09T07:22:48Z) - Convergence Properties of Score-Based Models for Linear Inverse Problems Using Graduated Optimisation [44.99833362998488]
本稿では,スコアベース生成モデル(SGM)を用いて逆問題の解法を提案する。
初期値とは無関係に,高Ms画像の復元が可能であることを示す。
ソースはGitHubで公開されている。
論文 参考訳（メタデータ） (2024-04-29T13:47:59Z) - Super-Resolution through StyleGAN Regularized Latent Search: A
Realism-Fidelity Trade-off [3.212648064850423]
本稿では,高分解能(HR)画像を低分解能(LR)画像から構築する問題に対処する。
最近の教師なしアプローチでは、HR画像上で事前訓練されたStyleGANの潜伏空間を探索し、入力LR画像に最もダウンスケールした画像を求める。
我々は、潜在空間における探索を制約する新しい正規化器を導入し、逆符号が元の画像多様体に存在することを保証する。
論文 参考訳（メタデータ） (2023-11-28T16:27:24Z) - Diffusion Posterior Illumination for Ambiguity-aware Inverse Rendering [63.24476194987721]
画像からシーン特性を推定する逆レンダリングは、困難な逆問題である。
既存のソリューションの多くは、プリエントを逆レンダリングパイプラインに組み込んで、プラウシブルなソリューションを奨励している。
本稿では,自然照明マップ上で事前学習した確率拡散モデルを最適化フレームワークに統合する手法を提案する。
論文 参考訳（メタデータ） (2023-09-30T12:39:28Z) - JoIN: Joint GANs Inversion for Intrinsic Image Decomposition [16.02463667910604]
我々は,GAN(Generative Adversarial Networks)のバンクを用いて,不測の逆画像問題を解決することを提案する。
提案手法は,複雑な画像分布をキャプチャするGANの実証的な成功に基づいている。
論文 参考訳（メタデータ） (2023-05-18T22:09:32Z) - Discovering Structure From Corruption for Unsupervised Image
Reconstruction [11.240702020573208]
画像の先行や基礎的な例にアクセスできることなく、不適切な画像の問題を解くことを検討する。
本研究では,任意の画像の構造を符号化する先行問題を用いて逆問題を解決する代わりに,画像の集合構造に事前制約を組み込んだ逆問題集合を共同で解くことを提案する。
論文 参考訳（メタデータ） (2023-04-12T03:35:23Z) - Invertible Rescaling Network and Its Extensions [118.72015270085535]
本研究では,新たな視点から双方向の劣化と復元をモデル化する,新しい可逆的枠組みを提案する。
我々は、有効な劣化画像を生成し、失われたコンテンツの分布を変換する可逆モデルを開発する。
そして、ランダムに描画された潜在変数とともに、生成された劣化画像に逆変換を適用することにより、復元可能とする。
論文 参考訳（メタデータ） (2022-10-09T06:58:58Z) - Inverse Problems Leveraging Pre-trained Contrastive Representations [88.70821497369785]
破損したデータの表現を復元するための新しい逆問題群について検討する。
コントラスト目的を用いた教師付きインバージョン手法を提案する。
提案手法は,幅広いフォワード演算子においてラベル付きデータのごく一部であっても,エンド・ツー・エンドのベースラインよりも優れる。
論文 参考訳（メタデータ） (2021-10-14T15:06:30Z) - Multi-view 3D Reconstruction of a Texture-less Smooth Surface of Unknown
Generic Reflectance [86.05191217004415]
表面反射率の不明なテクスチャレス物体の多視点再構成は難しい課題である。
本稿では,コライトスキャナーをベースとした,この問題に対するシンプルで堅牢な解法を提案する。
論文 参考訳（メタデータ） (2021-05-25T01:28:54Z) - Image-to-image Mapping with Many Domains by Sparse Attribute Transfer [71.28847881318013]
教師なし画像と画像の変換は、2つの領域間の一対のマッピングを、ポイント間の既知のペアワイズ対応なしで学習することで構成される。
現在の慣例は、サイクル一貫性のあるGANでこのタスクにアプローチすることです。
そこで本研究では,ジェネレータを直接,潜在層における単純なスパース変換に制限する代替手法を提案する。
論文 参考訳（メタデータ） (2020-06-23T19:52:23Z) - Exploiting Deep Generative Prior for Versatile Image Restoration and
Manipulation [181.08127307338654]
本研究は, 大規模自然画像に基づいて学習したGAN(Generative Adversarial Network)により, 得られた画像の有効利用方法を示す。
深層生成前駆体(DGP)は、色、パッチ、解像度、様々な劣化した画像の欠落したセマンティクスを復元するための説得力のある結果を提供する。
論文 参考訳（メタデータ） (2020-03-30T17:45:07Z)
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。