論文の概要: Nest-DGIL: Nesterov-optimized Deep Geometric Incremental Learning for CS Image Reconstruction

• arxiv url: http://arxiv.org/abs/2308.03807v1
• Date: Sun, 6 Aug 2023 15:47:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-09 15:34:04.920323
• Title: Nest-DGIL: Nesterov-optimized Deep Geometric Incremental Learning for CS Image Reconstruction
• Title（参考訳）: Nest-DGIL: CS画像再構成のためのNesterov最適化Deep Geometric Incremental Learning
• Authors: Xiaohong Fan, Yin Yang, Ke Chen, Yujie Feng, and Jianping Zhang
• Abstract要約: 第二次ネステロフ近位勾配最適化に基づく深層幾何学的漸進学習フレームワークを提案する。 再建フレームワークは, 一般的な線形再構成, カスケード幾何的漸進的復元, ネステロフ加速度, 後処理の4つのモジュールで構成されている。
• 参考スコア（独自算出の注目度）: 7.124186311002317
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Proximal gradient-based optimization is one of the most common strategies for solving image inverse problems as well as easy to implement. However, these techniques often generate heavy artifacts in image reconstruction. One of the most popular refinement methods is to fine-tune the regularization parameter to alleviate such artifacts, but it may not always be sufficient or applicable due to increased computational costs. In this work, we propose a deep geometric incremental learning framework based on second Nesterov proximal gradient optimization. The proposed end-to-end network not only has the powerful learning ability for high/low frequency image features,but also can theoretically guarantee that geometric texture details will be reconstructed from preliminary linear reconstruction.Furthermore, it can avoid the risk of intermediate reconstruction results falling outside the geometric decomposition domains and achieve fast convergence. Our reconstruction framework is decomposed into four modules including general linear reconstruction, cascade geometric incremental restoration, Nesterov acceleration and post-processing. In the image restoration step,a cascade geometric incremental learning module is designed to compensate for the missing texture information from different geometric spectral decomposition domains. Inspired by overlap-tile strategy, we also develop a post-processing module to remove the block-effect in patch-wise-based natural image reconstruction. All parameters in the proposed model are learnable,an adaptive initialization technique of physical-parameters is also employed to make model flexibility and ensure converging smoothly. We compare the reconstruction performance of the proposed method with existing state-of-the-art methods to demonstrate its superiority. Our source codes are available at https://github.com/fanxiaohong/Nest-DGIL.
• Abstract（参考訳）: 近位勾配に基づく最適化は、画像逆問題を解くための最も一般的な戦略の1つであり、実装が容易である。 しかし、これらの技法はしばしば画像再構成において重いアーティファクトを生成する。 最も一般的な精錬手法の1つは、そのようなアーティファクトを緩和するために正規化パラメータを微調整することであるが、計算コストの増大のために常に十分あるいは適用可能であるとは限らない。 本研究では,第2次ネステロフ近位勾配最適化に基づく深層幾何学的漸進学習フレームワークを提案する。 提案するエンド・ツー・エンドネットワークは、高/低周波画像特徴の強力な学習能力を持つだけでなく、事前線形再構成から幾何学的テクスチャの詳細が再構築されることを理論的に保証することができる。 再建フレームワークは, 一般的な線形再構成, カスケード幾何的漸進的復元, ネステロフ加速度, 後処理の4つのモジュールに分解される。 画像復元工程では、異なる幾何学的スペクトル分解領域から欠落したテクスチャ情報を補うようにカスケード幾何学的漸進学習モジュールを設計する。 オーバーラップタイル戦略に着想を得て,パッチワイドな自然画像再構成におけるブロック効果を除去する後処理モジュールも開発した。 提案モデルの全てのパラメータは学習可能であり,物理パラメータの適応初期化手法はモデルの柔軟性と収束の円滑性を確保するためにも用いられる。 提案手法の復元性能と既存手法との比較を行い,その優位性を実証した。 ソースコードはhttps://github.com/fanxiaohong/Nest-DGILで公開しています。

関連論文リスト

• AugUndo: Scaling Up Augmentations for Monocular Depth Completion and Estimation [51.143540967290114]
  本研究では,教師なし深度計算と推定のために,従来不可能であった幾何拡張の幅広い範囲をアンロックする手法を提案する。 これは、出力深さの座標への幾何変換を反転、あるいはアンドウイング(undo''-ing)し、深度マップを元の参照フレームに戻すことで達成される。
  論文  参考訳（メタデータ） (2023-10-15T05:15:45Z)
• Distance Weighted Trans Network for Image Completion [52.318730994423106]
  本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
  論文  参考訳（メタデータ） (2023-10-11T12:46:11Z)
• RecRecNet: Rectangling Rectified Wide-Angle Images by Thin-Plate Spline Model and DoF-based Curriculum Learning [62.86400614141706]
  我々はRecRecNet(Rectangling Rectification Network)という新しい学習モデルを提案する。 我々のモデルは、ソース構造をターゲット領域に柔軟にワープし、エンドツーエンドの非教師なし変形を実現する。 実験により, 定量評価と定性評価の両面において, 比較法よりも解法の方が優れていることが示された。
  論文  参考訳（メタデータ） (2023-01-04T15:12:57Z)
• Gradient-Based Geometry Learning for Fan-Beam CT Reconstruction [7.04200827802994]
  ファンビームCT再構成の微分定式化は、取得幾何に拡張される。 概念実証実験として、このアイデアは剛性運動補償に適用される。 アルゴリズムはMSEを35.5%削減し、SSIMを12.6%改善する。
  論文  参考訳（メタデータ） (2022-12-05T11:18:52Z)
• Spectral Compressive Imaging Reconstruction Using Convolution and Contextual Transformer [6.929652454131988]
  本稿では,CCoT(Contextual Transformer)ブロックというハイブリッドネットワークモジュールを提案する。 提案したCCoTブロックを,一般化された交互投影アルゴリズムに基づく深層展開フレームワークに統合し,さらにGAP-CTネットワークを提案する。
  論文  参考訳（メタデータ） (2022-01-15T06:30:03Z)
• Deep Amended Gradient Descent for Efficient Spectral Reconstruction from Single RGB Images [42.26124628784883]
  本稿では、AGD-Netという、コンパクトで効率的でエンドツーエンドの学習ベースのフレームワークを提案する。 まず、古典的勾配降下アルゴリズムに基づいて問題を明示的に定式化する。 AGD-Netは、平均1.0dB以上のリコンストラクション品質を向上させることができる。
  論文  参考訳（メタデータ） (2021-08-12T05:54:09Z)
• Deep Geometric Distillation Network for Compressive Sensing MRI [4.294819237410758]
  圧縮センシング(CS)は、小さなサンプルデータから$k$-spaceでMR画像を再構成する効率的な方法である。 モデルベースと深層学習に基づくCS-MRI法の利点を組み合わせた新しい深部幾何学的蒸留網を提案する。
  論文  参考訳（メタデータ） (2021-07-11T02:24:55Z)
• Learnable Descent Algorithm for Nonsmooth Nonconvex Image Reconstruction [4.2476585678737395]
  非滑らかな非画像再構成問題を解決するための一般学習ベースのフレームワークを提案する。 提案手法は,画像における画像問題における効率のよい収束状態であることを示す。
  論文  参考訳（メタデータ） (2020-07-22T07:59:07Z)
• The Power of Triply Complementary Priors for Image Compressive Sensing [89.14144796591685]
  本稿では,一対の相補的な旅先を含むLRD画像モデルを提案する。 次に、画像CSのためのRDモデルに基づく新しいハイブリッド・プラグイン・アンド・プレイ・フレームワークを提案する。 そこで,提案したH-based image CS問題の解法として,単純で効果的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-05-16T08:17:44Z)
• Consistent Video Depth Estimation [57.712779457632024]
  モノクロ映像中の全画素に対して, 密度, 幾何的に整合した深度を再構成するアルゴリズムを提案する。 動画中の画素の幾何的制約を確立するために、従来の動きから再構成した構造を利用する。 我々のアルゴリズムは、手持ちの映像をある程度のダイナミックな動きで処理することができる。
  論文  参考訳（メタデータ） (2020-04-30T17:59:26Z)
• Structure-Preserving Super Resolution with Gradient Guidance [87.79271975960764]
  単一画像超解像(SISR)の構造 最近のGAN(Generative Adversarial Network)による研究は、SISRの開発を促進している。 しかし、復元された画像には常に望ましくない構造歪みがある。
  論文  参考訳（メタデータ） (2020-03-29T17:26:58Z)

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。