論文の概要: MOSAIC: Masked Optimisation with Selective Attention for Image
Reconstruction
- arxiv url: http://arxiv.org/abs/2306.00906v1
- Date: Thu, 1 Jun 2023 17:05:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-02 14:16:21.977787
- Title: MOSAIC: Masked Optimisation with Selective Attention for Image
Reconstruction
- Title（参考訳）: MOSAIC:画像再構成のための選択的注意によるマスク最適化
- Authors: Pamuditha Somarathne, Tharindu Wickremasinghe, Amashi Niwarthana, A.
Thieshanthan, Chamira U.S. Edussooriya, and Dushan N. Wadduwage
- Abstract要約: 本研究では,無作為な計測値の選択を考慮に入れた画像再構成のための新しい圧縮センシングフレームワークを提案する。
MOSAICは、エンコードされた一連の測定に注意機構を効率的に適用するために埋め込み技術を採用している。
既存のCS再建手法の代替として,提案するアーキテクチャを検証した。
- 参考スコア（独自算出の注目度）: 0.5541644538483947
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Compressive sensing (CS) reconstructs images from sub-Nyquist measurements by
solving a sparsity-regularized inverse problem. Traditional CS solvers use
iterative optimizers with hand crafted sparsifiers, while early data-driven
methods directly learn an inverse mapping from the low-dimensional measurement
space to the original image space. The latter outperforms the former, but is
restrictive to a pre-defined measurement domain. More recent, deep unrolling
methods combine traditional proximal gradient methods and data-driven
approaches to iteratively refine an image approximation. To achieve higher
accuracy, it has also been suggested to learn both the sampling matrix, and the
choice of measurement vectors adaptively. Contrary to the current trend, in
this work we hypothesize that a general inverse mapping from a random set of
compressed measurements to the image domain exists for a given measurement
basis, and can be learned. Such a model is single-shot, non-restrictive and
does not parametrize the sampling process. To this end, we propose MOSAIC, a
novel compressive sensing framework to reconstruct images given any random
selection of measurements, sampled using a fixed basis. Motivated by the uneven
distribution of information across measurements, MOSAIC incorporates an
embedding technique to efficiently apply attention mechanisms on an encoded
sequence of measurements, while dispensing the need to use unrolled deep
networks. A range of experiments validate our proposed architecture as a
promising alternative for existing CS reconstruction methods, by achieving the
state-of-the-art for metrics of reconstruction accuracy on standard datasets.
- Abstract（参考訳）: 圧縮センシング(CS)は、疎度規則化逆問題の解法により、サブニキスト測定から画像を再構成する。
従来のCSソルバは手作りのスペーサーを用いた反復オプティマイザを使用し、初期のデータ駆動手法は低次元の計測空間から元の画像空間への逆写像を直接学習する。
後者は前者を上回るが、事前定義された測定領域に制限される。
より最近のディープアンロール法は、画像近似を反復的に洗練するために、従来の近位勾配法とデータ駆動アプローチを組み合わせる。
精度を高めるために,サンプリングマトリクスと計測ベクトルの選択を適応的に学習することが提案されている。
この傾向とは対照的に,本研究では,ランダムに圧縮された測定値の集合から画像領域への一般的な逆写像が,所定の測定値に対して存在することを仮定し,学習することができる。
このようなモデルは単発で非制限的であり、サンプリングプロセスをパラメータ化しない。
そこで本研究では,無作為な測定値のランダムな選択を前提とした画像再構成のための,新しい圧縮センシングフレームワークMOSAICを提案する。
MOSAICは、測定範囲にわたる情報の均一な分布によって動機付けられ、エンコードされた測定シーケンスに注意機構を効率よく適用する埋め込み技術を導入し、アンロールされたディープネットワークを使用する必要をなくした。
提案したアーキテクチャを,標準データセット上での復元精度の指標の最先端化を図り,既存のCS再構成手法の代替案として検証する。
関連論文リスト
- Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1 [51.404644401997736]
本稿では、畳み込みニューラルネットワークを用いて偏光SAR画像のスペックルを除去するための完全なフレームワークを提案する。
実験により,提案手法はスペックル低減と分解能保存の両方において例外的な結果をもたらすことが示された。
論文 参考訳（メタデータ） (2024-08-28T10:07:17Z) - Optimized Linear Measurements for Inverse Problems using Diffusion-Based Image Generation [10.297832938258841]
線形測定の小さな集合から高次元信号を再構成する問題を再検討する。
我々は,SSIMの知覚的損失に対する測定値の最適化が,知覚的再構築に繋がることを示す。
論文 参考訳（メタデータ） (2024-05-22T20:38:58Z) - Diffeomorphic Template Registration for Atmospheric Turbulence Mitigation [50.16004183320537]
大気の乱流により劣化した画像の集合体に基づく放射能の回復法について述べる。
画像の1つを参照として選択し、その画像から他の画像への光フローの集約により、この画像の変形をモデル化する。
単純さに拘わらず、最先端のパフォーマンスを実現しています。
論文 参考訳（メタデータ） (2024-05-06T17:39:53Z) - ReNoise: Real Image Inversion Through Iterative Noising [62.96073631599749]
本研究では,操作数を増やすことなく,高い品質と操作率の逆転法を導入し,再現精度を向上する。
我々は,近年の高速化拡散モデルを含む様々なサンプリングアルゴリズムとモデルを用いて,Renoise手法の性能を評価する。
論文 参考訳（メタデータ） (2024-03-21T17:52:08Z) - MB-RACS: Measurement-Bounds-based Rate-Adaptive Image Compressed Sensing Network [65.1004435124796]
本稿では,MB-RACS(Message-Bounds-based Rate-Adaptive Image Compressed Sensing Network)フレームワークを提案する。
実験により,提案手法が現在の先行手法を超越していることが実証された。
論文 参考訳（メタデータ） (2024-01-19T04:40:20Z) - Posterior Estimation for Dynamic PET imaging using Conditional
Variational Inference [10.206699988915183]
効率的な後続推定のためのディープラーニングに基づくフレームワークを提案する。
具体的には、潜伏変数を導入することにより、フォワードプロセスにおける情報損失に対処する。
論文 参考訳（メタデータ） (2023-10-24T14:05:30Z) - Fast Hybrid Image Retargeting [0.0]
本稿では,コンテント・アウェア・トリミングを用いて歪みを定量化し,抑制する手法を提案する。
我々の手法は,実行時間のごく一部で実行しながら,最近の手法より優れています。
論文 参考訳（メタデータ） (2022-03-25T11:46:06Z) - A Probabilistic Deep Image Prior for Computational Tomography [0.19573380763700707]
既存の深層学習によるトモグラフィ画像再構成手法では,復元の不確かさの正確な推定は得られない。
我々は,古典的全変動(TV)正規化器と現代の深部画像先行(DIP)を組み合わせたトモグラフィー再構成のためのベイズ事前構築を行う。
提案手法は,高次元設定にスケーラブルな線形化Laplace法に基づく手法である。
論文 参考訳（メタデータ） (2022-02-28T14:47:14Z) - Deblurring via Stochastic Refinement [85.42730934561101]
条件付き拡散モデルに基づくブラインドデブロアリングのための代替フレームワークを提案する。
提案手法は,PSNRなどの歪み指標の点で競合する。
論文 参考訳（メタデータ） (2021-12-05T04:36:09Z) - 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) - Sampling possible reconstructions of undersampled acquisitions in MR
imaging [9.75702493778194]
MR中のk-空間のアンサンプは時間を節約するが、結果として不適切な逆転問題が発生し、可能な限り無限の画像が生成される。
伝統的に、これは、選択された正規化や事前に従って、このソリューションセットから1つの「ベスト」イメージを検索することで、再構成問題として取り組まれる。
そこで本研究では,逆変換プロセスにおける不確実性を捉えるために,取得モデルと選択した条件下で可能な複数の画像を返却する手法を提案する。
論文 参考訳（メタデータ） (2020-09-30T18:20:06Z)
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。