論文の概要: NF-ULA: Langevin Monte Carlo with Normalizing Flow Prior for Imaging
Inverse Problems
- arxiv url: http://arxiv.org/abs/2304.08342v2
- Date: Sat, 14 Oct 2023 16:46:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-18 05:40:24.262084
- Title: NF-ULA: Langevin Monte Carlo with Normalizing Flow Prior for Imaging
Inverse Problems
- Title(参考訳): NF-ULA:画像逆問題に先立って正規化フローを持つランジェヴィン・モンテカルロ
- Authors: Ziruo Cai, Junqi Tang, Subhadip Mukherjee, Jinglai Li, Carola Bibiane
Sch\"onlieb, Xiaoqun Zhang
- Abstract要約: 我々は,NF-ULA (Normalizing Flow-based Unadjusted Langevin algorithm) を導入する。
NF-ULAは、深刻な逆問題に対して競合する手法よりも優れていた。
- 参考スコア(独自算出の注目度): 7.38079566297881
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Bayesian methods for solving inverse problems are a powerful alternative to
classical methods since the Bayesian approach offers the ability to quantify
the uncertainty in the solution. In recent years, data-driven techniques for
solving inverse problems have also been remarkably successful, due to their
superior representation ability. In this work, we incorporate data-based models
into a class of Langevin-based sampling algorithms for Bayesian inference in
imaging inverse problems. In particular, we introduce NF-ULA (Normalizing
Flow-based Unadjusted Langevin algorithm), which involves learning a
normalizing flow (NF) as the image prior. We use NF to learn the prior because
a tractable closed-form expression for the log prior enables the
differentiation of it using autograd libraries. Our algorithm only requires a
normalizing flow-based generative network, which can be pre-trained
independently of the considered inverse problem and the forward operator. We
perform theoretical analysis by investigating the well-posedness and
non-asymptotic convergence of the resulting NF-ULA algorithm. The efficacy of
the proposed NF-ULA algorithm is demonstrated in various image restoration
problems such as image deblurring, image inpainting, and limited-angle X-ray
computed tomography (CT) reconstruction. NF-ULA is found to perform better than
competing methods for severely ill-posed inverse problems.
- Abstract(参考訳): 逆問題の解法は、ベイズ的手法が解の不確実性を定量化する能力を提供するので、古典的な方法の強力な代替手段である。
近年、逆問題を解くためのデータ駆動手法も、その優れた表現能力のために著しく成功している。
本研究では,画像逆問題におけるベイズ推定のためのランジュバンに基づくサンプリングアルゴリズムのクラスにデータベースモデルを導入する。
特に,画像として正規化フロー(nf)を学習するnf-ula(normalizing flow-based unadjusted langevin algorithm)を導入する。
私たちはnfを使って事前学習します。なぜなら、ログの扱いやすいクローズドフォーム式は、autogradライブラリを使ってそれを区別できるからです。
提案アルゴリズムは,逆問題やフォワード演算子とは独立に事前学習可能な,フローベース生成ネットワークの正規化のみを必要とする。
結果のnf-ulaアルゴリズムの well-posedness と non-asymptotic convergence を調査して理論的解析を行う。
nf-ulaアルゴリズムの有効性は,画像デブラリング,画像インパインティング,有限角x線ct再構成などの様々な画像復元問題において実証された。
NF-ULAは、深刻な逆問題に対して競合する手法よりも優れていた。
関連論文リスト
- Unfolded proximal neural networks for robust image Gaussian denoising [7.018591019975253]
本稿では,二元FBと二元Chambolle-Pockアルゴリズムの両方に基づいて,ガウス分母タスクのためのPNNを統一的に構築するフレームワークを提案する。
また、これらのアルゴリズムの高速化により、関連するNN層におけるスキップ接続が可能であることを示す。
論文 参考訳(メタデータ) (2023-08-06T15:32:16Z) - Solving Linear Inverse Problems Provably via Posterior Sampling with
Latent Diffusion Models [98.95988351420334]
本稿では,事前学習した潜在拡散モデルを利用した線形逆問題の解法を初めて提案する。
線形モデル設定において,証明可能なサンプル回復を示すアルゴリズムを理論的に解析する。
論文 参考訳(メタデータ) (2023-07-02T17:21:30Z) - An Optimization-based Deep Equilibrium Model for Hyperspectral Image
Deconvolution with Convergence Guarantees [71.57324258813675]
本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。
新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。
導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
論文 参考訳(メタデータ) (2023-06-10T08:25:16Z) - Poisson-Gaussian Holographic Phase Retrieval with Score-based Image
Prior [19.231581775644617]
本稿では,スコア関数を先行生成関数とする高速化されたWirtinger Flow (AWF) を用いた新しいアルゴリズム"AWFS"を提案する。
PRの対数様関数の勾配を計算し、リプシッツ定数を決定する。
本稿では,提案アルゴリズムの臨界点収束保証を確立する理論的解析を行う。
論文 参考訳(メタデータ) (2023-05-12T18:08:47Z) - Learning Discriminative Shrinkage Deep Networks for Image Deconvolution [122.79108159874426]
本稿では,これらの用語を暗黙的にモデル化する識別的縮小関数を学習することで,効果的に非盲検デコンボリューション手法を提案する。
実験結果から,提案手法は最先端の手法に対して,効率と精度の点で好適に動作することがわかった。
論文 参考訳(メタデータ) (2021-11-27T12:12:57Z) - On Measuring and Controlling the Spectral Bias of the Deep Image Prior [63.88575598930554]
深層画像は、未学習のネットワークが逆画像問題に対処できることを実証している。
ピークに達するとパフォーマンスが低下するので、いつ最適化を止めるかを決めるにはオラクルが必要です。
これらの問題に対処するために、スペクトルバイアスの観点から先行した深部画像について検討する。
論文 参考訳(メタデータ) (2021-07-02T15:10:42Z) - Learned Block Iterative Shrinkage Thresholding Algorithm for
Photothermal Super Resolution Imaging [52.42007686600479]
深層ニューラルネットワークに展開する反復アルゴリズムを用いて,学習したブロックスパース最適化手法を提案する。
本稿では、正規化パラメータの選択を学ぶことができる学習ブロック反復収縮しきい値アルゴリズムを使用することの利点を示す。
論文 参考訳(メタデータ) (2020-12-07T09:27:16Z) - Denoising Score-Matching for Uncertainty Quantification in Inverse
Problems [1.521936393554569]
本稿では、逆問題を解決するための一般的なベイズフレームワークを提案する。このフレームワークでは、信号の事前分布を学習するためのディープニューラルネットワークの使用を制限する。
この枠組みを磁気共鳴画像再構成(MRI)に適用し、再構成された画像の特定の特徴の不確実性を評価するために、この手法がどのように使用できるかを示す。
論文 参考訳(メタデータ) (2020-11-16T18:33:06Z) - Blind Image Restoration with Flow Based Priors [19.190289348734215]
未知の劣化を伴う盲点において、優れた先行性は依然として不可欠である。
本稿では, 正規化フローを用いて対象コンテンツの分布をモデル化し, 最大アフターリ(MAP)の定式化に先立ってこれを前もって用いることを提案する。
我々の知る限りでは、これは画像強調問題に先行する正規化フローを探求する最初の研究である。
論文 参考訳(メタデータ) (2020-09-09T21:40:11Z) - Learned convex regularizers for inverse problems [3.294199808987679]
本稿では,逆問題に対する正規化器として,データ適応型入力ニューラルネットワーク(ICNN)を学習することを提案する。
パラメータ空間における単調な誤差を反復で減少させる部分次アルゴリズムの存在を実証する。
提案した凸正則化器は, 逆問題に対する最先端のデータ駆動技術に対して, 少なくとも競争力があり, 時には優位であることを示す。
論文 参考訳(メタデータ) (2020-08-06T18:58:35Z) - Solving Inverse Problems with a Flow-based Noise Model [100.18560761392692]
本研究では,従来の正規化フローを用いた画像逆問題について検討する。
我々の定式化は、この解を測定値に条件付けされた画像の最大後値推定とみなす。
提案手法の様々な逆問題に対する有効性について実験的に検証した。
論文 参考訳(メタデータ) (2020-03-18T08:33:49Z)
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。