論文の概要: Whiteness-based bilevel learning of regularization parameters in imaging
- arxiv url: http://arxiv.org/abs/2403.07026v1
- Date: Sun, 10 Mar 2024 15:45:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-14 00:13:35.579809
- Title: Whiteness-based bilevel learning of regularization parameters in imaging
- Title（参考訳）: ホワイトネスに基づく画像の正規化パラメータのバイレベル学習
- Authors: Carlo Santambrogio, Monica Pragliola, Alessandro Lanza, Marco
Donatelli, Luca Calatroni
- Abstract要約: 副次的な白色ガウス雑音の存在下での逆問題の画像化の文脈において、正規化パラメータを学習するための教師なし二段階最適化戦略を考察する。
提案手法は, 平均二乗誤差オラクルに近い推定値を提供し, 差分に基づく原理を導出することを示す。
- 参考スコア（独自算出の注目度）: 42.362388367152256
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We consider an unsupervised bilevel optimization strategy for learning
regularization parameters in the context of imaging inverse problems in the
presence of additive white Gaussian noise. Compared to supervised and
semi-supervised metrics relying either on the prior knowledge of reference data
and/or on some (partial) knowledge on the noise statistics, the proposed
approach optimizes the whiteness of the residual between the observed data and
the observation model with no need of ground-truth data.We validate the
approach on standard Total Variation-regularized image deconvolution problems
which show that the proposed quality metric provides estimates close to the
mean-square error oracle and to discrepancy-based principles.
- Abstract（参考訳）: 画像逆問題における正規化パラメータの学習のための教師なし二段階最適化手法について,白色ガウス雑音の存在下での検討を行った。
Compared to supervised and semi-supervised metrics relying either on the prior knowledge of reference data and/or on some (partial) knowledge on the noise statistics, the proposed approach optimizes the whiteness of the residual between the observed data and the observation model with no need of ground-truth data.We validate the approach on standard Total Variation-regularized image deconvolution problems which show that the proposed quality metric provides estimates close to the mean-square error oracle and to discrepancy-based principles.
関連論文リスト
- Error Feedback under $(L_0,L_1)$-Smoothness: Normalization and Momentum [56.37522020675243]
機械学習の幅広い問題にまたがる正規化誤差フィードバックアルゴリズムに対する収束の最初の証明を提供する。
提案手法では,許容可能なステップサイズが大きくなったため,新しい正規化エラーフィードバックアルゴリズムは,各種タスクにおける非正規化エラーよりも優れていた。
論文 参考訳（メタデータ） (2024-10-22T10:19:27Z) - Unsupervised Training of Convex Regularizers using Maximum Likelihood Estimation [12.625383613718636]
本稿では,雑音測定に基づいて,凸型ニューラルネットワークに基づく画像正規化項をトレーニングするために,最大限界推定を用いた教師なし手法を提案する。
実験により,提案手法は,様々な画像汚職操作者を対象とした類似の教師付きトレーニング手法と比較して,ほぼ競合する先行手法を生成することを示した。
論文 参考訳（メタデータ） (2024-04-08T12:27:00Z) - Distributionally Robust Optimization with Bias and Variance Reduction [9.341215359733601]
勾配に基づくアルゴリズムであるProspectは、スムーズな正規化損失に対する線形収束を享受していることを示す。
また、勾配法のようなベースラインよりも2～3$times$早く収束できることも示している。
論文 参考訳（メタデータ） (2023-10-21T00:03:54Z) - Leveraging Self-Consistency for Data-Efficient Amortized Bayesian Inference [9.940560505044122]
本稿では,償却ベイズ推定の効率と精度を向上させる手法を提案する。
我々は,関節モデルの近似表現に基づいて限界確率を推定する。
論文 参考訳（メタデータ） (2023-10-06T17:41:41Z) - Advancing Unsupervised Low-light Image Enhancement: Noise Estimation, Illumination Interpolation, and Self-Regulation [55.07472635587852]
低光画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。
これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。
まず,低照度画像の雑音レベルを迅速かつ高精度に推定する方法を提案する。
次に、照明と入力の一般的な制約を満たすために、Learningable Illumination Interpolator (LII) を考案する。
論文 参考訳（メタデータ） (2023-05-17T13:56:48Z) - GEC: A Unified Framework for Interactive Decision Making in MDP, POMDP,
and Beyond [101.5329678997916]
対話型意思決定の一般的な枠組みの下で, サンプル高能率強化学習(RL)について検討した。
本稿では,探索とエクスプロイトの基本的なトレードオフを特徴付ける,新しい複雑性尺度である一般化エルダー係数(GEC)を提案する。
低 GEC の RL 問題は非常にリッチなクラスであり、これは低ベルマン楕円体次元問題、双線型クラス、低証人ランク問題、PO-双線型クラス、一般化正規PSR を仮定する。
論文 参考訳（メタデータ） (2022-11-03T16:42:40Z) - Regularization Penalty Optimization for Addressing Data Quality Variance
in OoD Algorithms [45.02465532852302]
理論的には、トレーニングデータ品質とアルゴリズム性能の関係を明らかにする。
サンプルレベルとドメインレベルの両方において、低品質データの影響を軽減するために、新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-06-12T14:36:04Z) - Information-Theoretic Bias Reduction via Causal View of Spurious
Correlation [71.9123886505321]
本稿では,スプリアス相関の因果的解釈による情報理論バイアス測定手法を提案する。
本稿では,バイアス正規化損失を含むアルゴリズムバイアスに対する新しいデバイアスフレームワークを提案する。
提案したバイアス測定とデバイアス法は、多様な現実シナリオで検証される。
論文 参考訳（メタデータ） (2022-01-10T01:19:31Z) - Towards Optimal Problem Dependent Generalization Error Bounds in
Statistical Learning Theory [11.840747467007963]
我々は,「ベスト勾配仮説」で評価された分散,有効損失誤差,ノルムとほぼ最適にスケールする問題依存率について検討する。
一様局所収束(uniform localized convergence)と呼ばれる原理的枠組みを導入する。
我々は,既存の一様収束と局所化解析のアプローチの基本的制約を,我々のフレームワークが解決していることを示す。
論文 参考訳（メタデータ） (2020-11-12T04:07:29Z) - Accounting for Unobserved Confounding in Domain Generalization [107.0464488046289]
本稿では,データセットの組み合わせから頑健で一般化可能な予測モデルを学習する際の問題点について検討する。
堅牢なモデルを学ぶことの課題の一部は、保存されていない共同設立者の影響にある。
異なるモダリティの医療データに対するアプローチの実証的性能を実証する。
論文 参考訳（メタデータ） (2020-07-21T08:18:06Z)
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。