論文の概要: An Optimization-based Deep Equilibrium Model for Hyperspectral Image
Deconvolution with Convergence Guarantees
- arxiv url: http://arxiv.org/abs/2306.06378v1
- Date: Sat, 10 Jun 2023 08:25:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-13 19:12:43.783956
- Title: An Optimization-based Deep Equilibrium Model for Hyperspectral Image
Deconvolution with Convergence Guarantees
- Title(参考訳): 収束保証付きハイパースペクトル画像デコンボリューションのための最適化に基づくDeep Equilibriumモデル
- Authors: Alexandros Gkillas, Dimitris Ampeliotis, Kostas Berberidis
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 71.57324258813675
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we propose a novel methodology for addressing the
hyperspectral image deconvolution problem. This problem is highly ill-posed,
and thus, requires proper priors (regularizers) to model the inherent
spectral-spatial correlations of the HSI signals. To this end, a new
optimization problem is formulated, leveraging a learnable regularizer in the
form of a neural network. To tackle this problem, an effective solver is
proposed using the half quadratic splitting methodology. The derived iterative
solver is then expressed as a fixed-point calculation problem within the Deep
Equilibrium (DEQ) framework, resulting in an interpretable architecture, with
clear explainability to its parameters and convergence properties with
practical benefits. The proposed model is a first attempt to handle the
classical HSI degradation problem with different blurring kernels and noise
levels via a single deep equilibrium model with significant computational
efficiency. Extensive numerical experiments validate the superiority of the
proposed methodology over other state-of-the-art methods. This superior
restoration performance is achieved while requiring 99.85\% less computation
time as compared to existing methods.
- Abstract(参考訳): 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。
この問題は極めて不適切であり、hsi信号の固有スペクトル-空間相関をモデル化するために適切な事前(レギュラライザー)が必要である。
この目的のために、ニューラルネットワークの形式で学習可能な正規化器を利用する新しい最適化問題を定式化する。
この問題に対処するために, 半二次分割法を用いて有効な解法を提案する。
導出された反復解法は、Deep Equilibrium (DEQ) フレームワーク内の不動点計算問題として表現され、解釈可能なアーキテクチャとなり、そのパラメータや収束特性を明確に説明できる。
提案手法は, 従来のhsi劣化問題に対して, 異なるボケリングカーネルとノイズレベルを, 計算効率の高い単一深部平衡モデルを用いて対処する最初の試みである。
広範な数値実験により,提案手法が最先端手法よりも優れていることが検証された。
この優れた復元性能は、既存の方法に比べて99.85\%少ない計算時間で達成される。
関連論文リスト
- Adaptive Federated Learning Over the Air [108.62635460744109]
オーバー・ザ・エア・モデル・トレーニングの枠組みの中で,適応勾配法,特にAdaGradとAdamの連合バージョンを提案する。
解析の結果,AdaGrad に基づくトレーニングアルゴリズムは $mathcalO(ln(T) / T 1 - frac1alpha の速度で定常点に収束することがわかった。
論文 参考訳(メタデータ) (2024-03-11T09:10:37Z) - Decentralized Sum-of-Nonconvex Optimization [42.04181488477227]
我々は、平均的な非合意数である保証関数(sum-of-non function)の最適化問題を考察する。
本稿では,勾配,速度追跡,マルチコンセンサスといった手法を用いて,高速化された分散化1次アルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-02-04T05:48:45Z) - Adaptive operator learning for infinite-dimensional Bayesian inverse
problems [8.672948020721945]
本研究では,局所的に精度の高いサロゲートを強制することによって,モデリングエラーを段階的に低減できる適応型演算子学習フレームワークを開発した。
UKIフレームワークを用いて線形の場合において厳密な収束を保証する。
その結果,逆精度を維持しながら計算コストを大幅に削減できることがわかった。
論文 参考訳(メタデータ) (2023-10-27T01:50:33Z) - On Robust Numerical Solver for ODE via Self-Attention Mechanism [82.95493796476767]
我々は,内在性雑音障害を緩和し,AIによって強化された数値解法を,データサイズを小さくする訓練について検討する。
まず,教師付き学習における雑音を制御するための自己認識機構の能力を解析し,さらに微分方程式の数値解に付加的な自己認識機構を導入し,簡便かつ有効な数値解法であるAttrを提案する。
論文 参考訳(メタデータ) (2023-02-05T01:39:21Z) - Towards a machine learning pipeline in reduced order modelling for
inverse problems: neural networks for boundary parametrization,
dimensionality reduction and solution manifold approximation [0.0]
逆問題、特に偏微分方程式の文脈では、膨大な計算負荷を必要とする。
ニューラルネットワークを用いた数値パイプラインを用いて,問題の境界条件のパラメータ化を行う。
これは、インレット境界のアドホックなパラメトリゼーションを提供することができ、迅速に最適解に収束する一般的な枠組みに由来する。
論文 参考訳(メタデータ) (2022-10-26T14:53:07Z) - A Globally Convergent Gradient-based Bilevel Hyperparameter Optimization
Method [0.0]
ハイパーパラメータ最適化問題の解法として,勾配に基づく双レベル法を提案する。
提案手法は, より低い計算量に収束し, テストセットをより良く一般化するモデルに導かれることを示す。
論文 参考訳(メタデータ) (2022-08-25T14:25:16Z) - Entropy Regularized Iterative Weighted Shrinkage-Thresholding Algorithm
(ERIWSTA): An Application to CT Image Restoration [7.866191218136035]
本稿では,コスト関数にエントロピー正則化を加えた新しいエントロピー正規化IWSTA(ERIWSTA)を提案する。
重みをラグランジュ乗算器法で解き、簡単な反復更新を得る。
CT画像復元実験の結果,提案手法は既存の方法よりも収束速度と復元精度がよいことがわかった。
論文 参考訳(メタデータ) (2021-12-22T07:34:45Z) - Faster Algorithm and Sharper Analysis for Constrained Markov Decision
Process [56.55075925645864]
制約付き意思決定プロセス (CMDP) の問題点について検討し, エージェントは, 複数の制約を条件として, 期待される累積割引報酬を最大化することを目的とする。
新しいユーティリティ・デュアル凸法は、正規化ポリシー、双対正則化、ネステロフの勾配降下双対という3つの要素の新たな統合によって提案される。
これは、凸制約を受ける全ての複雑性最適化に対して、非凸CMDP問題が$mathcal O (1/epsilon)$の低い境界に達する最初の実演である。
論文 参考訳(メタデータ) (2021-10-20T02:57:21Z) - Deep Variational Network Toward Blind Image Restoration [55.33102369856991]
ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。
両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。
画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
論文 参考訳(メタデータ) (2020-08-25T03:30:53Z) - Combining Deep Learning and Optimization for Security-Constrained
Optimal Power Flow [94.24763814458686]
セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。
SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。
本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
論文 参考訳(メタデータ) (2020-07-14T12:38:21Z)
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。