論文の概要: Generative Plug and Play: Posterior Sampling for Inverse Problems

• arxiv url: http://arxiv.org/abs/2306.07233v1
• Date: Mon, 12 Jun 2023 16:49:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-13 13:42:54.580498
• Title: Generative Plug and Play: Posterior Sampling for Inverse Problems
• Title（参考訳）: Generative Plug and Play: 逆問題に対する後方サンプリング
• Authors: Charles A. Bouman and Gregery T. Buzzard
• Abstract要約: Plug-Play(および)は、前方モデルと先行モデルからなるフレームワークを使用してイメージを再構築する一般的な方法となっている。 BM3Dデノイザを用いた実験シミュレーションを行った。
• 参考スコア（独自算出の注目度）: 4.417934991211913
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Over the past decade, Plug-and-Play (PnP) has become a popular method for reconstructing images using a modular framework consisting of a forward and prior model. The great strength of PnP is that an image denoiser can be used as a prior model while the forward model can be implemented using more traditional physics-based approaches. However, a limitation of PnP is that it reconstructs only a single deterministic image. In this paper, we introduce Generative Plug-and-Play (GPnP), a generalization of PnP to sample from the posterior distribution. As with PnP, GPnP has a modular framework using a physics-based forward model and an image denoising prior model. However, in GPnP these models are extended to become proximal generators, which sample from associated distributions. GPnP applies these proximal generators in alternation to produce samples from the posterior. We present experimental simulations using the well-known BM3D denoiser. Our results demonstrate that the GPnP method is robust, easy to implement, and produces intuitively reasonable samples from the posterior for sparse interpolation and tomographic reconstruction. Code to accompany this paper is available at https://github.com/gbuzzard/generative-pnp-allerton .
• Abstract（参考訳）: 過去10年間で、Plug-and-Play(PnP)は、前方モデルと先行モデルからなるモジュラーフレームワークを使用して、イメージを再構成する一般的な方法となった。 PnPの大きな強みは、イメージデノイザを先行モデルとして使用でき、フォワードモデルはより伝統的な物理ベースのアプローチで実装できることである。 しかし、PnPの制限は、単一の決定論的像のみを再構成することである。 本稿では,PnPの一般化であるGPnP(Generative Plug-and-Play)を紹介する。 PnP と同様に、GPnP は物理ベースのフォワードモデルと事前モデルを示す画像を用いたモジュラーフレームワークを持つ。 しかし、GPnPではこれらのモデルが拡張され、関連する分布からサンプルとなる。 GPnPはこれらの近位発電機を交互に応用し、後部からサンプルを生成する。 BM3Dデノイザを用いた実験シミュレーションを行った。 その結果,GPnP法は頑健であり,実装が容易であり,スパルス補間およびトモグラフィ再構成のために後方から直感的に妥当なサンプルが得られた。 この論文に付随するコードはhttps://github.com/gbuzzard/generative-pnp-allerton で公開されている。

関連論文リスト

• Steering Masked Discrete Diffusion Models via Discrete Denoising Posterior Prediction [88.65168366064061]
  本稿では,確率論的推論の課題として,事前学習したMDMを操る作業を行う新しいフレームワークであるDDPPを紹介する。 私たちのフレームワークは、3つの新しい目標のファミリーにつながります。 Wet-lab Validation(ウェット・ラブ・バリデーション)を用いて,報酬最適化タンパク質配列の過渡的発現を観察する。
  論文  参考訳（メタデータ） (2024-10-10T17:18:30Z)
• Variational Positive-incentive Noise: How Noise Benefits Models [84.67629229767047]
  正感雑音(Pi-Noise)の枠組みに基づくランダムノイズによる古典モデルの利点について検討する。 Pi-Noiseの理想的目的は難易度が高いため,その代わりに変分境界,すなわち変分Pi-Noise(VPN)を最適化することを提案する。
  論文  参考訳（メタデータ） (2023-06-13T09:43:32Z)
• Plug-and-Play Deep Energy Model for Inverse problems [18.047694351309204]
  プラグイン・アンド・プレイ(CNN)画像回復のための新しいエネルギー定式化を導入する。 提案モデルは,学習したスコアモデルが縮尺モデルでない場合でも,収束保証付きアルゴリズムを提供する。
  論文  参考訳（メタデータ） (2023-02-15T09:44:45Z)
• Predictable MDP Abstraction for Unsupervised Model-Based RL [93.91375268580806]
  予測可能なMDP抽象化(PMA)を提案する。 元のMDPで予測モデルを訓練する代わりに、学習されたアクション空間を持つ変換MDPでモデルを訓練する。 我々はPMAを理論的に解析し、PMAが以前の教師なしモデルベースRLアプローチよりも大幅に改善することを示す。
  論文  参考訳（メタデータ） (2023-02-08T07:37:51Z)
• Non-Gaussian Process Regression [0.0]
  我々はGPフレームワークを時間変化したGPの新たなクラスに拡張し、重い尾の非ガウス的振る舞いの簡単なモデリングを可能にする。 このモデルに対するマルコフ連鎖モンテカルロ推論手順を示し、潜在的な利点を実証する。
  論文  参考訳（メタデータ） (2022-09-07T13:08:22Z)
• REPNP: Plug-and-Play with Deep Reinforcement Learning Prior for Robust Image Restoration [30.966005373669027]
  本稿では、RePNPと呼ばれる新しい深層強化学習(DRL)フレームワークを提案する。 その結果,提案したRePNPは観測モデルに対して頑健であることがわかった。 RePNPと呼ばれるスキーム。 RePNPはモデルパラメータの少ないモデル偏差に基づくより良い結果を得る。
  論文  参考訳（メタデータ） (2022-07-25T10:56:10Z)
• On Maximum-a-Posteriori estimation with Plug & Play priors and stochastic gradient descent [13.168923974530307]
  画像問題の解法は、通常、明示的なデータ可能性関数と、その解の明確な期待特性とを結合する。 明示的なモデリングから離れて、画像復調アルゴリズムによって定義された暗黙の先行値の使用について、いくつかの最近の研究が提案され、研究されている。
  論文  参考訳（メタデータ） (2022-01-16T20:50:08Z)
• Non-Gaussian Gaussian Processes for Few-Shot Regression [71.33730039795921]
  乱変数ベクトルの各成分上で動作し,パラメータを全て共有する可逆なODEベースのマッピングを提案する。 NGGPは、様々なベンチマークとアプリケーションに対する競合する最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2021-10-26T10:45:25Z)
• PnP-DETR: Towards Efficient Visual Analysis with Transformers [146.55679348493587]
  近年、DeTRはトランスフォーマーを用いたソリューションビジョンタスクの先駆者であり、画像特徴マップを直接オブジェクト結果に変換する。 最近の変圧器を用いた画像認識モデルとTTは、一貫した効率向上を示す。
  論文  参考訳（メタデータ） (2021-09-15T01:10:30Z)
• Towards a Neural Graphics Pipeline for Controllable Image Generation [96.11791992084551]
  ニューラルグラフパイプライン(NGP)は,ニューラルネットワークと従来の画像形成モデルを組み合わせたハイブリッド生成モデルである。 NGPは、画像を解釈可能な外観特徴マップの集合に分解し、制御可能な画像生成のための直接制御ハンドルを明らかにする。 単目的シーンの制御可能な画像生成におけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2020-06-18T14:22:54Z)

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。