論文の概要: Scale-Equivariant Imaging: Self-Supervised Learning for Image Super-Resolution and Deblurring

• arxiv url: http://arxiv.org/abs/2312.11232v3
• Date: Wed, 26 Mar 2025 13:34:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-27 13:17:56.669808
• Title: Scale-Equivariant Imaging: Self-Supervised Learning for Image Super-Resolution and Deblurring
• Title（参考訳）: 尺度同変イメージング:画像の超解像と分解のための自己超解像学習
• Authors: Jérémy Scanvic, Mike Davies, Patrice Abry, Julián Tachella,
• Abstract要約: 自己監督法は, 様々な画像逆問題において, 教師付き法と同程度に有効であることが最近証明された。 本稿では,多くの画像分布がほぼ不変であるという事実を活かした,新たな自己教師型手法であるスケール不変イメージングを提案する。 提案手法が他の自己教師型手法より優れていることを示す実データセットに関する一連の実験を行った。
• 参考スコア（独自算出の注目度）: 9.587978273085296
• License:
• Abstract: Self-supervised methods have recently proved to be nearly as effective as supervised ones in various imaging inverse problems, paving the way for learning-based approaches in scientific and medical imaging applications where ground truth data is hard or expensive to obtain. These methods critically rely on invariance to translations and/or rotations of the image distribution to learn from incomplete measurement data alone. However, existing approaches fail to obtain competitive performances in the problems of image super-resolution and deblurring, which play a key role in most imaging systems. In this work, we show that invariance to roto-translations is insufficient to learn from measurements that only contain low-frequency information. Instead, we propose scale-equivariant imaging, a new self-supervised approach that leverages the fact that many image distributions are approximately scale-invariant, enabling the recovery of high-frequency information lost in the measurement process. We demonstrate throughout a series of experiments on real datasets that the proposed method outperforms other self-supervised approaches, and obtains performances on par with fully supervised learning.
• Abstract（参考訳）: 近年の自己監督手法は、様々な画像逆問題において教師付き手法とほぼ同等の効果があることが証明され、地上の真実データが入手しづらい、あるいは高価である科学・医学画像の応用において、学習に基づくアプローチの道を開いた。 これらの手法は、不完全な測定データのみから学ぶために、画像分布の変換や回転への不変性に批判的に依存する。 しかし、既存の手法は、ほとんどの画像システムにおいて重要な役割を担っている画像超解像と退色の問題において、競合する性能を得ることができない。 本研究では,低周波情報のみを含む測定結果から,ロト翻訳の不等式を学習するには不十分であることを示す。 代わりに、多数の画像分布がほぼ不変であるという事実を活用して、計測プロセスで失われる高周波情報の回復を可能にする、新しい自己監督的手法であるスケール不変画像(Scale-equivariant imaging)を提案する。 提案手法は他の自己教師付き手法よりも優れており,完全教師付き学習と同等の性能が得られることを示す。

関連論文リスト

• Benchmarking Self-Supervised Methods for Accelerated MRI Reconstruction [2.260147251787331]
  高アンサンプ測定からMRIを再構築することは、医療画像の高速化に不可欠である。 教師付きディープラーニングアプローチは目覚ましい成功を収めてきたが、完全にサンプル化された真実データに依存している。 本研究は,すべてのフィードフォワード自己監督法から得られた損失関数の総合的レビューと,基礎的真実を伴わない高速MRI再構成に関する最初のベンチマークを提示する。
  論文  参考訳（メタデータ） (2025-02-19T12:10:44Z)
• Private, Efficient and Scalable Kernel Learning for Medical Image Analysis [1.7999333451993955]
  OKRA(Orthonormal K-fRAmes)は、カーネルベースの機械学習のための新しいランダム化符号化ベースのアプローチである。 現在の最先端ソリューションと比較して、スケーラビリティとスピードが大幅に向上します。
  論文  参考訳（メタデータ） (2024-10-21T10:03:03Z)
• Learning from Multi-Perception Features for Real-Word Image Super-resolution [87.71135803794519]
  入力画像の複数の知覚的特徴を利用する新しいSR手法MPF-Netを提案する。 本稿では,MPFEモジュールを組み込んで,多様な知覚情報を抽出する手法を提案する。 また、モデルの学習能力を向上する対照的な正規化項(CR)も導入する。
  論文  参考訳（メタデータ） (2023-05-26T07:35:49Z)
• Single-photon Image Super-resolution via Self-supervised Learning [6.218646347012887]
  SPISR(Single-Photon Image Super-Resolution)は、高分解能の光子計数キューブを、高分解能の低分解能キューブから計算画像アルゴリズムによって回収することを目的としている。 EI(Equivariant Imaging)を単一光子データに拡張することにより、SPISRタスクのための自己教師付き学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-03T15:52:01Z)
• Real-World Image Super-Resolution by Exclusionary Dual-Learning [98.36096041099906]
  実世界の画像超解像は,高品質な画像を得るための実用的な画像復元問題である。 深層学習に基づく手法は、現実世界の超解像データセットの復元に期待できる品質を実現している。 本稿では,RWSR-EDL(Real-World Image Super-Resolution by Exclusionary Dual-Learning)を提案する。
  論文  参考訳（メタデータ） (2022-06-06T13:28:15Z)
• Mining the manifolds of deep generative models for multiple data-consistent solutions of ill-posed tomographic imaging problems [10.115302976900445]
  断層撮影は一般的に逆問題である。 本稿では,トモグラフィ逆問題に対する複数の解を求める経験的サンプリング手法を提案する。
  論文  参考訳（メタデータ） (2022-02-10T20:27:31Z)
• Few-Shot Learning with Part Discovery and Augmentation from Unlabeled Images [79.34600869202373]
  帰納的バイアスは、ラベルなし画像の平坦な集合から学習でき、目に見えるクラスと目に見えないクラスの間で伝達可能な表現としてインスタンス化されることを示す。 具体的には、トランスファー可能な表現を学習するための、新しいパートベース自己教師型表現学習手法を提案する。 我々の手法は印象的な結果をもたらし、それまでの最高の教師なし手法を7.74%、9.24%上回った。
  論文  参考訳（メタデータ） (2021-05-25T12:22:11Z)
• Data-Uncertainty Guided Multi-Phase Learning for Semi-Supervised Object Detection [66.10057490293981]
  半監視対象検出のためのデータ不確実性誘導多相学習法を提案する。 本手法は,ベースライン手法と比較して異常に動作し,大きなマージンで性能を向上する。
  論文  参考訳（メタデータ） (2021-03-29T09:27:23Z)
• Improving Blind Spot Denoising for Microscopy [73.94017852757413]
  自己監督型認知の質を向上させる新しい方法を提案する。 我々は、クリーンな画像がポイントスプレッド関数(PSF)との畳み込みの結果であり、ニューラルネットワークの最後にこの操作を明示的に含んでいると仮定する。
  論文  参考訳（メタデータ） (2020-08-19T13:06:24Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)

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。