論文の概要: Sparsity-Aware Optimal Transport for Unsupervised Restoration Learning
- arxiv url: http://arxiv.org/abs/2305.00273v1
- Date: Sat, 29 Apr 2023 15:09:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-02 16:13:24.238433
- Title: Sparsity-Aware Optimal Transport for Unsupervised Restoration Learning
- Title（参考訳）: 教師なし修復学習におけるsparsity-aware optimal transport
- Authors: Fei Wen, Wei Wang and Wenxian Yu
- Abstract要約: 本稿では、教師なし復元学習フレームワークにおける劣化の空間性を利用して、複雑な復元作業における性能を大幅に向上させる。
現実世界の超解像、デラリニング、デハジングの実験では、SOTはOTのPSNRを約2.6dB、2.7dB、1.3dB改善できることが示された。
- 参考スコア（独自算出の注目度）: 17.098664719423404
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent studies show that, without any prior model, the unsupervised
restoration learning problem can be optimally formulated as an optimal
transport (OT) problem, which has shown promising performance on denoising
tasks to approach the performance of supervised methods. However, it still
significantly lags behind state-of-the-art supervised methods on complex
restoration tasks such as super-resolution, deraining, and dehazing. In this
paper, we exploit the sparsity of degradation in the OT framework to
significantly boost its performance on these tasks. First, we disclose an
observation that the degradation in these tasks is quite sparse in the
frequency domain, and then propose a sparsity-aware optimal transport (SOT)
criterion for unsupervised restoration learning. Further, we provide an
analytic example to illustrate that exploiting the sparsity helps to reduce the
ambiguity in finding an inverse map for restoration. Experiments on real-world
super-resolution, deraining, and dehazing demonstrate that SOT can improve the
PSNR of OT by about 2.6 dB, 2.7 dB and 1.3 dB, respectively, while achieving
the best perception scores among the compared supervised and unsupervised
methods. Particularly, on the three tasks, SOT significantly outperforms
existing unsupervised methods and approaches the performance of
state-of-the-art supervised methods.
- Abstract（参考訳）: 近年の研究では,教師なし復元学習問題を最適輸送(ot)問題として最適に定式化することが可能であり,教師付き手法の性能に接近するタスクに有望な性能が示された。
しかし、超高分解能、デラリニング、デハジングといった複雑な修復作業における最先端の監督手法の遅れは依然として顕著である。
本稿では,otフレームワークの劣化のスパースを生かして,これらのタスクにおける性能を大幅に向上させる。
まず,これらの課題の劣化が周波数領域において極めて少ないという観察を開示し,教師なし回復学習のためのsparsity-aware optimal transport (sot) 基準を提案する。
さらに,スパーシリティの活用が修復のための逆写像の発見におけるあいまいさの軽減に役立つことを示す分析例を示す。
実世界の超解像、デラリニング、デハジングの実験では、SOTがそれぞれ約2.6dB、2.7dB、1.3dBでOTのPSNRを改善できることが示されている。
特に3つのタスクにおいて、SOTは既存の教師なし手法を著しく上回り、最先端の教師付き手法の性能にアプローチする。
関連論文リスト
- Efficient Diffusion as Low Light Enhancer [63.789138528062225]
RATR(Reflectance-Aware Trajectory Refinement)は、イメージの反射成分を用いて教師の軌跡を洗練するための、シンプルで効果的なモジュールである。
textbfReDDiT (textbfDistilled textbfTrajectory) は低照度画像強調(LLIE)に適した効率的で柔軟な蒸留フレームワークである。
論文 参考訳（メタデータ） (2024-10-16T08:07:18Z) - ACTRESS: Active Retraining for Semi-supervised Visual Grounding [52.08834188447851]
前回の研究であるRefTeacherは、疑似自信と注意に基づく監督を提供するために教師学生の枠組みを採用することで、この課題に取り組むための最初の試みである。
このアプローチは、Transformerベースのパイプラインに従う現在の最先端のビジュアルグラウンドモデルと互換性がない。
本稿では, ACTRESS を略したセミスーパービジョン視覚グラウンドのためのアクティブ・リトレーニング手法を提案する。
論文 参考訳（メタデータ） (2024-07-03T16:33:31Z) - Variational Delayed Policy Optimization [25.668512485348952]
遅延観測環境においては、遅延ウィンドウ内での動作を含む状態拡張を採用してマルコフ特性を検索し、強化学習(RL)を可能にする。
時間差学習フレームワークを用いたSOTA(State-of-the-art)RL技術は、遅延を伴う拡張状態空間の大幅な拡張により、学習の非効率性に悩まされることが多い。
本稿では、遅延RLを変分推論問題として再構成する、変分遅延ポリシー最適化(VDPO)と呼ばれる新しいフレームワークを紹介する。
論文 参考訳（メタデータ） (2024-05-23T06:57:04Z) - Adaptive trajectory-constrained exploration strategy for deep
reinforcement learning [6.589742080994319]
深層強化学習 (DRL) は, まばらさや虚偽の報奨や大きな状態空間を持つタスクにおいて, ハード探索問題に対処する上で, 重大な課題に直面している。
DRLの最適軌道制約探索法を提案する。
2つの大きな2次元グリッドワールド迷路と複数のMuJoCoタスクについて実験を行った。
論文 参考訳（メタデータ） (2023-12-27T07:57:15Z) - Gradient constrained sharpness-aware prompt learning for vision-language
models [99.74832984957025]
本稿では,視覚言語モデル(VLM)の一般化可能な即時学習における新たなトレードオフ問題を提案する。
最先端手法のロスランドスケープとSAMに基づくバニラシャープネス認識最小化法を解析することにより、トレードオフ性能は損失値と損失シャープネスの両方に相関していると結論付けた。
本稿では,GCSCoOp (Gradient Constrained Sharpness-Aware Context Optimization) と表記される,素早い学習のためのSAMベースの新しい手法を提案する。
論文 参考訳（メタデータ） (2023-09-14T17:13:54Z) - Majorization-Minimization for sparse SVMs [46.99165837639182]
サポートベクタマシン(SVM)は、数十年前に教師付きフレームワークの下でバイナリ分類タスクを実行するために導入された。
それらはしばしば他の教師付き手法よりも優れており、マシンラーニング分野において最も一般的なアプローチの1つである。
本研究では,スムーズなスパースプロモーティング型正方形ヒンジ損失最小化によるSVMのトレーニングについて検討する。
論文 参考訳（メタデータ） (2023-08-31T17:03:16Z) - Efficient Deep Reinforcement Learning Requires Regulating Overfitting [91.88004732618381]
本稿では,高時間差(TD)誤差が深部RLアルゴリズムの性能に悪影響を及ぼす主要な原因であることを示す。
検証TDエラーをターゲットとした簡単なオンラインモデル選択法は,状態ベースDMCおよびGymタスク間で有効であることを示す。
論文 参考訳（メタデータ） (2023-04-20T17:11:05Z) - Relation Extraction with Weighted Contrastive Pre-training on Distant
Supervision [22.904752492573504]
本稿では,事前学習インスタンスの信頼性を推定するために,教師付きデータを活用した重み付きコントラスト学習手法を提案する。
3つの教師付きデータセットに対する実験結果から,提案手法の利点が示された。
論文 参考訳（メタデータ） (2022-05-18T07:45:59Z) - Digging into Uncertainty in Self-supervised Multi-view Stereo [57.04768354383339]
自己教師型学習のための新しいuncertainty reduction Multi-view Stereo(UMVS)フレームワークを提案する。
我々のフレームワークは、教師なしのMVSメソッドの中で最高のパフォーマンスを達成し、教師なしの対戦相手と競合する性能を実現している。
論文 参考訳（メタデータ） (2021-08-30T02:53:08Z) - WSSOD: A New Pipeline for Weakly- and Semi-Supervised Object Detection [75.80075054706079]
弱機能および半教師付きオブジェクト検出フレームワーク(WSSOD)を提案する。
エージェント検出器は、まず関節データセット上でトレーニングされ、弱注釈画像上で擬似境界ボックスを予測するために使用される。
提案フレームワークはPASCAL-VOC と MSCOCO のベンチマークで顕著な性能を示し,完全教師付き環境で得られたものと同等の性能を達成している。
論文 参考訳（メタデータ） (2021-05-21T11:58:50Z) - A Comprehensive Approach to Unsupervised Embedding Learning based on AND
Algorithm [18.670975246545208]
教師なしの埋め込み学習は、手動ラベルを必要とせずに、データから優れた表現を抽出することを目的としている。
本稿では,現在の最先端モデルを拡張したSuper-ANDと呼ばれる非教師なしの埋め込み手法を提案する。
Super-ANDは既存の全てのアプローチを上回り、CIFAR-10の画像分類タスクで89.2%の精度を達成する。
論文 参考訳（メタデータ） (2020-02-26T13:22:04Z)
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。