論文の概要: Batch-less stochastic gradient descent for compressive learning of deep regularization for image denoising

• arxiv url: http://arxiv.org/abs/2310.03085v1
• Date: Mon, 2 Oct 2023 11:46:11 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-06 20:40:44.237283
• Title: Batch-less stochastic gradient descent for compressive learning of deep regularization for image denoising
• Title（参考訳）: 画像デノイジングのための深部正規化圧縮学習のためのバッチレス確率勾配降下
• Authors: Hui Shi (IMB), Yann Traonmilin (IMB), J-F Aujol (IMB)
• Abstract要約: クリーンな信号や画像のデータベースから取得した事前情報の助けを借りて飾ることの問題点を考察する。 ディープニューラルネットワーク(DNN)では、大規模なトレーニングデータベースから複雑な分布を復元することができる。 深部正規化パラメータの回復のための2種類の勾配降下法(SGD)を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider the problem of denoising with the help of prior information taken from a database of clean signals or images. Denoising with variational methods is very efficient if a regularizer well adapted to the nature of the data is available. Thanks to the maximum a posteriori Bayesian framework, such regularizer can be systematically linked with the distribution of the data. With deep neural networks (DNN), complex distributions can be recovered from a large training database.To reduce the computational burden of this task, we adapt the compressive learning framework to the learning of regularizers parametrized by DNN. We propose two variants of stochastic gradient descent (SGD) for the recovery of deep regularization parameters from a heavily compressed database. These algorithms outperform the initially proposed method that was limited to low-dimensional signals, each iteration using information from the whole database. They also benefit from classical SGD convergence guarantees. Thanks to these improvements we show that this method can be applied for patch based image denoising.}
• Abstract（参考訳）: 本稿では,クリーンな信号や画像のデータベースから得られた事前情報をもとに,デノイジングの問題を考える。 データの性質に順応した正則化器が利用できる場合、変分法による記述は非常に効率的である。 最大後方ベイズフレームワークのおかげで、そのような正規化子はデータの分布と体系的に関連付けることができる。 深層ニューラルネットワーク(dnn)では,大規模トレーニングデータベースから複雑な分布を復元することができる。このタスクの計算負荷を軽減するため,dnnでパラメータ化された正規化子の学習に圧縮学習フレームワークを適用する。 本研究では,重圧縮データベースから深い正規化パラメータを回復するための確率勾配降下 (sgd) の2つの変種を提案する。 これらのアルゴリズムは、データベース全体の情報を用いて、低次元信号に制限された当初提案された手法よりも優れている。 また、古典的なSGD収束保証の恩恵を受ける。 これらの改良により,この手法をパッチベースの画像デノイジングに適用できることが示されている。 }

関連論文リスト

• Denoising as Adaptation: Noise-Space Domain Adaptation for Image Restoration [64.84134880709625]
  拡散モデルを用いて雑音空間を介して領域適応を行うことが可能であることを示す。 特に,マルチステップの復調過程が補助的な条件入力の影響を受けるというユニークな特性を利用して,雑音予測から有意義な勾配を求める。 トレーニング中のショートカットを防止するため,チャンネルシャッフルや残余スワッピングのコントラスト学習などの有用な手法を提案する。
  論文  参考訳（メタデータ） (2024-06-26T17:40:30Z)
• Variational Bayes image restoration with compressive autoencoders [5.514022022280169]
  逆問題の正規化は、計算イメージングにおいて最重要となる。 最先端のプラグアンドプレイ法は、ニューラルデノイザによって提供される暗黙の正規化に依存している。 本稿では,潜時推定を行う変分ベイズ潜時推定(VBLE)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-11-29T15:49:31Z)
• Domain Generalization Guided by Gradient Signal to Noise Ratio of Parameters [69.24377241408851]
  ソースドメインへのオーバーフィッティングは、ディープニューラルネットワークの勾配に基づくトレーニングにおいて一般的な問題である。 本稿では,ネットワークパラメータの勾配-信号-雑音比(GSNR)を選択することを提案する。
  論文  参考訳（メタデータ） (2023-10-11T10:21:34Z)
• Optimal Algorithms for the Inhomogeneous Spiked Wigner Model [89.1371983413931]
  不均一な問題に対する近似メッセージパッシングアルゴリズム(AMP)を導出する。 特に,情報理論の閾値よりも大きい信号と雑音の比を必要とする既知のアルゴリズムが,ランダムよりも優れた処理を行うための統計的・計算的ギャップの存在を同定する。
  論文  参考訳（メタデータ） (2023-02-13T19:57:17Z)
• Curvature regularization for Non-line-of-sight Imaging from Under-sampled Data [5.591221518341613]
  非視線イメージング(NLOS)は、視線で測定されたデータから3次元の隠れたシーンを再構築することを目的としている。 曲率正規化に基づく新しいNLOS再構成モデルを提案する。 提案したアルゴリズムを,合成データセットと実データセットの両方で評価する。
  論文  参考訳（メタデータ） (2023-01-01T14:10:43Z)
• Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
  本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。 機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。 提案手法は,画像分類における既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2022-12-02T07:31:39Z)
• Learning Sparsity-Promoting Regularizers using Bilevel Optimization [9.18465987536469]
  本稿では,信号や画像の識別のための疎結合型正規化器の教師あり学習法を提案する。 構造化された1D信号と自然画像を用いて実験したところ,提案手法はよく知られた正規化器よりも優れた演算子を学習できることがわかった。
  論文  参考訳（メタデータ） (2022-07-18T20:50:02Z)
• Poisson2Sparse: Self-Supervised Poisson Denoising From a Single Image [34.27748767631027]
  本稿では,単一画像の自己教師型学習手法を提案する。 繰り返しニューラルネットワークを用いた画像復調のための従来の反復最適化アルゴリズムを近似する。 提案手法はPSNRとSSIMの両面で最先端の手法より優れている。
  論文  参考訳（メタデータ） (2022-06-04T00:08:58Z)
• Deep Variational Network Toward Blind Image Restoration [60.45350399661175]
  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)
• Solving Linear Inverse Problems Using the Prior Implicit in a Denoiser [7.7288480250888]
  我々は、ディープニューラルネットワークにおける暗黙の事前利用のための堅牢で一般的な手法を開発した。 ブラインド(ノイズレベルが未知の)を訓練したCNNが提示される。 このアルゴリズムの制約サンプリングへの一般化は、任意の線形逆問題を解決するために暗黙の手法を提供する。
  論文  参考訳（メタデータ） (2020-07-27T15:40:46Z)
• Variational Denoising Network: Toward Blind Noise Modeling and Removal [59.36166491196973]
  ブラインド画像のデノイングはコンピュータビジョンにおいて重要な問題であるが、非常に難しい問題である。 本稿では,ノイズ推定と画像デノーミングを併用した新しい変分推論手法を提案する。
  論文  参考訳（メタデータ） (2019-08-29T15:54:06Z)

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。