論文の概要: The Perception-Robustness Tradeoff in Deterministic Image Restoration
- arxiv url: http://arxiv.org/abs/2311.09253v1
- Date: Tue, 14 Nov 2023 18:30:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-17 18:17:59.216027
- Title: The Perception-Robustness Tradeoff in Deterministic Image Restoration
- Title(参考訳): 決定論的画像復元における知覚・ロバスト性トレードオフ
- Authors: Guy Ohayon, Tomer Michaeli, Michael Elad
- Abstract要約: 本研究では,画像の逆問題に対する決定論的手法の挙動について検討する。
完全品質と完全整合性にアプローチするには、モデルのリプシッツ定数は無限大に成長しなければならない。
我々は単一画像の超解像アルゴリズムについて,ノイズと雑音の両方に対処する理論を実証する。
- 参考スコア(独自算出の注目度): 38.777768930852965
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We study the behavior of deterministic methods for solving inverse problems
in imaging. These methods are commonly designed to achieve two goals: (1)
attaining high perceptual quality, and (2) generating reconstructions that are
consistent with the measurements. We provide a rigorous proof that the better a
predictor satisfies these two requirements, the larger its Lipschitz constant
must be, regardless of the nature of the degradation involved. In particular,
to approach perfect perceptual quality and perfect consistency, the Lipschitz
constant of the model must grow to infinity. This implies that such methods are
necessarily more susceptible to adversarial attacks. We demonstrate our theory
on single image super-resolution algorithms, addressing both noisy and
noiseless settings. We also show how this undesired behavior can be leveraged
to explore the posterior distribution, thereby allowing the deterministic model
to imitate stochastic methods.
- Abstract(参考訳): 画像解析における逆問題に対する決定論的手法の挙動について検討した。
これらの手法は,(1)高い知覚品質を達成すること,(2)測定値と一致した再構築を生成すること,の2つの目標を達成するように設計されている。
予測器がこれら2つの要件を満たすほど、そのリプシッツ定数は分解の性質によらず、より大きくなければならないという厳密な証明を提供する。
特に、完全な知覚品質と完全整合性にアプローチするには、モデルのリプシッツ定数は無限大に成長しなければならない。
これは、そのような方法が必ずしも敵の攻撃の影響を受けやすいことを意味する。
我々は単一画像の超解像アルゴリズムについて,ノイズと雑音の両方に対処する理論を実証する。
また,この非好ましくない行動を後方分布の探索に活用し,決定論的モデルが確率的手法を模倣できることを示す。
関連論文リスト
- Intrinsic Image Decomposition via Ordinal Shading [0.0]
内在的分解は、逆レンダリングや計算写真パイプラインにおいて重要な役割を果たす基本的な中間レベルの視覚問題である。
シフト・スケール不変の損失を用いた高密度オーディナルシェーディング定式化を行い、オーディナルシェーディングキューを推定する。
次に、第2のネットワークを用いた低分解能および高分解能の順序推定を組み合わせ、大域的コヒーレンシーと局所的詳細の両方でシェーディング推定を生成する。
論文 参考訳(メタデータ) (2023-11-21T18:58:01Z) - Reasons for the Superiority of Stochastic Estimators over Deterministic
Ones: Robustness, Consistency and Perceptual Quality [44.47246905244631]
完全品質の回復アルゴリズムは後部サンプリング器でなければならない。
決定論的復元アルゴリズムは高い品質を達成できるが、これは可能なすべてのソース画像の空間を埋めることによってのみ達成できる。
論文 参考訳(メタデータ) (2022-11-16T14:49:10Z) - Composed Image Retrieval with Text Feedback via Multi-grained
Uncertainty Regularization [73.04187954213471]
粗い検索ときめ細かい検索を同時にモデル化する統合学習手法を提案する。
提案手法は、強いベースラインに対して+4.03%、+3.38%、+2.40%のRecall@50精度を達成した。
論文 参考訳(メタデータ) (2022-11-14T14:25:40Z) - Towards Bidirectional Arbitrary Image Rescaling: Joint Optimization and
Cycle Idempotence [76.93002743194974]
本稿では、任意の再スケーリング(アップスケーリングとダウンスケーリングの両方)を統一プロセスとして扱う方法を提案する。
提案モデルでは、アップスケーリングとダウンスケーリングを同時に学習し、双方向の任意のイメージ再スケーリングを実現する。
繰り返しにダウンスケーリング・アップスケーリング・サイクルが適用された場合, 復元精度が著しく低下することなく, サイクルイデオポテンス試験において堅牢であることが確認された。
論文 参考訳(メタデータ) (2022-03-02T07:42:15Z) - 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) - Near-Optimal High Probability Complexity Bounds for Non-Smooth
Stochastic Optimization with Heavy-Tailed Noise [63.304196997102494]
アルゴリズムが高い確率で小さな客観的残差を与えることを理論的に保証することが不可欠である。
既存の非滑らか凸最適化法は、負のパワーまたは対数的な信頼度に依存する境界の複雑さを持つ。
クリッピングを用いた2つの勾配法に対して, 新たなステップサイズルールを提案する。
論文 参考訳(メタデータ) (2021-06-10T17:54:21Z) - Uncertainty-aware Generalized Adaptive CycleGAN [44.34422859532988]
unpaired image-to-image translationは、教師なしの方法で画像ドメイン間のマッピングを学ぶことを指す。
既存の手法はしばしば、外れ値への堅牢性や予測不確実性を明示的にモデル化せずに決定論的マッピングを学習する。
Uncertainty-aware Generalized Adaptive Cycle Consistency (UGAC) という新しい確率論的手法を提案する。
論文 参考訳(メタデータ) (2021-02-23T15:22:35Z) - Bayesian Triplet Loss: Uncertainty Quantification in Image Retrieval [10.743633102172236]
画像検索における不確かさの定量化は下流の決定に不可欠である。
本稿では,画像の埋め込みを決定論的特徴ではなく特徴とみなす新しい手法を提案する。
我々はベイズ三重項損失(Bayesian triplet loss)と呼ばれる後肢の変分近似を導出し、最先端の不確実性推定を導出する。
論文 参考訳(メタデータ) (2020-11-25T11:47:33Z) - Robust, Accurate Stochastic Optimization for Variational Inference [68.83746081733464]
また, 共通最適化手法は, 問題が適度に大きい場合, 変分近似の精度が低下することを示した。
これらの結果から,基礎となるアルゴリズムをマルコフ連鎖の生成とみなして,より堅牢で正確な最適化フレームワークを開発する。
論文 参考訳(メタデータ) (2020-09-01T19:12:11Z)
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。