Fugu-MT 論文翻訳(概要): Bio-Inspired Simple Neural Network for Low-Light Image Restoration: A Minimalist Approach

論文の概要: Bio-Inspired Simple Neural Network for Low-Light Image Restoration: A Minimalist Approach

arxiv url: http://arxiv.org/abs/2305.01844v1
Date: Wed, 3 May 2023 01:16:45 GMT
ステータス: 処理完了
システム内更新日: 2023-05-04 16:09:39.098970
Title: Bio-Inspired Simple Neural Network for Low-Light Image Restoration: A Minimalist Approach
Title（参考訳）: 低光画像復元のためのバイオインスパイアされたシンプルなニューラルネットワーク:ミニマリストアプローチ
Authors: Junjie Ye, Jilin Zhao
Abstract要約: 本研究では、網膜モデルにインスパイアされた単純なニューラルネットワークを用いて、低照度画像を効率よく復元する可能性について検討する。提案するニューラルネットワークモデルは,従来の信号処理モデルと比較して計算オーバーヘッドを低減する。
参考スコア（独自算出の注目度）: 8.75682288556859
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this study, we explore the potential of using a straightforward neural network inspired by the retina model to efficiently restore low-light images. The retina model imitates the neurophysiological principles and dynamics of various optical neurons. Our proposed neural network model reduces the computational overhead compared to traditional signal-processing models while achieving results similar to complex deep learning models from a subjective perceptual perspective. By directly simulating retinal neuron functionalities with neural networks, we not only avoid manual parameter optimization but also lay the groundwork for constructing artificial versions of specific neurobiological organizations.
Abstract（参考訳）: 本研究では、網膜モデルにインスパイアされた単純なニューラルネットワークを用いて、低照度画像を効率的に復元する可能性を検討する。網膜モデルは様々な光学ニューロンの神経生理学的原理と力学を模倣している。提案するニューラルネットワークモデルでは,従来の信号処理モデルと比較して計算オーバーヘッドを低減し,複雑な深層学習モデルに似た結果が得られる。ニューラルネットワークによる網膜ニューロン機能を直接シミュレーションすることにより、手動パラメータ最適化を回避するだけでなく、特定の神経生物学組織を人工的に構築するための基盤となる。

関連論文リスト

Contrastive Learning in Memristor-based Neuromorphic Systems [55.11642177631929]
スパイクニューラルネットワークは、現代のバックプロパゲーションによって訓練されたディープネットワークに直面する重要な制約の多くを横取りする、ニューロンベースのモデルの重要なファミリーとなっている。本研究では,前向き・後向き学習のニューロモルフィック形式であるコントラッシブ・シグナル依存型塑性(CSDP)の概念実証を設計し,検討する。
論文参考訳（メタデータ） (2024-09-17T04:48:45Z)
Neural Dynamics Model of Visual Decision-Making: Learning from Human Experts [28.340344705437758]
視覚入力から行動出力まで,包括的な視覚的意思決定モデルを実装した。我々のモデルは人間の行動と密接に一致し、霊長類の神経活動を反映する。ニューロイメージング・インフォームド・ファインチューニング手法を導入し、モデルに適用し、性能改善を実現した。
論文参考訳（メタデータ） (2024-09-04T02:38:52Z)
Graph Neural Networks for Learning Equivariant Representations of Neural Networks [55.04145324152541]
本稿では,ニューラルネットワークをパラメータの計算グラフとして表現することを提案する。我々のアプローチは、ニューラルネットワークグラフを多種多様なアーキテクチャでエンコードする単一モデルを可能にする。本稿では,暗黙的ニューラル表現の分類や編集など,幅広いタスクにおける本手法の有効性を示す。
論文参考訳（メタデータ） (2024-03-18T18:01:01Z)
Optimizing Retinal Prosthetic Stimuli with Conditional Invertible Neural Networks [1.1454121287632515]
本稿では,非教師ありの方法で網膜インプラント刺激を最適化するために,フローベース条件付き非可逆ニューラルネットワークの正規化を活用することを提案する。これらのネットワークの可逆性により、視覚系の計算モデルの代用として使用できる。自明なダウンサンプリング、線形モデル、フィードフォワード畳み込みニューラルネットワークなどの他の手法と比較して、フローベースの可逆ニューラルネットワークとその条件付き拡張は、より良い視覚的再構成特性をもたらす。
論文参考訳（メタデータ） (2024-03-07T20:16:42Z)
Manipulating Feature Visualizations with Gradient Slingshots [54.31109240020007]
本稿では,モデルの決定過程に大きな影響を及ぼすことなく,特徴可視化(FV)を操作する新しい手法を提案する。ニューラルネットワークモデルにおける本手法の有効性を評価し,任意の選択したニューロンの機能を隠蔽する能力を示す。
論文参考訳（メタデータ） (2024-01-11T18:57:17Z)
Automated Natural Language Explanation of Deep Visual Neurons with Large Models [43.178568768100305]
本稿では,大きな基礎モデルを持つニューロンの意味的説明を生成するための,新しいポストホックフレームワークを提案する。我々のフレームワークは、様々なモデルアーキテクチャやデータセット、自動化されたスケーラブルなニューロン解釈と互換性があるように設計されています。
論文参考訳（メタデータ） (2023-10-16T17:04:51Z)
Contrastive-Signal-Dependent Plasticity: Self-Supervised Learning in Spiking Neural Circuits [61.94533459151743]
この研究は、スパイキングネットワークのシナプスを調整するための神経生物学的に動機づけられたスキームを設計することの課題に対処する。我々の実験シミュレーションは、繰り返しスパイクネットワークを訓練する際、他の生物学的に証明可能なアプローチに対して一貫した優位性を示す。
論文参考訳（メタデータ） (2023-03-30T02:40:28Z)
Spiking neural network for nonlinear regression [68.8204255655161]
スパイクニューラルネットワークは、メモリとエネルギー消費を大幅に削減する可能性を持っている。彼らは、次世代のニューロモルフィックハードウェアによって活用できる時間的および神経的疎結合を導入する。スパイキングニューラルネットワークを用いた回帰フレームワークを提案する。
論文参考訳（メタデータ） (2022-10-06T13:04:45Z)
Low-Light Image Restoration Based on Retina Model using Neural Networks [0.0]
提案したニューラルネットワークモデルは、従来の信号処理モデルと対照的に計算オーバーヘッドのコストを削減し、主観的観点から複雑なディープラーニングモデルに匹敵する結果を生成する。この研究は、ニューラルネットワークを用いて網膜ニューロンの機能を直接シミュレートするために、最適パラメーターを手動で探すことを避けるだけでなく、特定の神経生物学組織のために対応する人工バージョンを構築する方法を構築することも示している。
論文参考訳（メタデータ） (2022-10-04T08:14:49Z)
Adapting Brain-Like Neural Networks for Modeling Cortical Visual Prostheses [68.96380145211093]
皮質補綴は視覚野に移植された装置で、電気的にニューロンを刺激することで失った視力を回復しようとする。現在、これらのデバイスが提供する視覚は限られており、刺激による視覚知覚を正確に予測することはオープンな課題である。我々は、視覚システムの有望なモデルとして登場した「脳様」畳み込みニューラルネットワーク(CNN)を活用することで、この問題に対処することを提案する。
論文参考訳（メタデータ） (2022-09-27T17:33:19Z)

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。