Fugu-MT 論文翻訳(概要): Unsupervised Training of Convex Regularizers using Maximum Likelihood Estimation

論文の概要: Unsupervised Training of Convex Regularizers using Maximum Likelihood Estimation

arxiv url: http://arxiv.org/abs/2404.05445v1
Date: Mon, 8 Apr 2024 12:27:00 GMT
ステータス: 処理完了
システム内更新日: 2024-04-09 14:34:53.535984
Title: Unsupervised Training of Convex Regularizers using Maximum Likelihood Estimation
Title（参考訳）: 最大近似推定を用いた凸正規化器の教師なし訓練
Authors: Hong Ye Tan, Ziruo Cai, Marcelo Pereyra, Subhadip Mukherjee, Junqi Tang, Carola-Bibiane Schönlieb,
Abstract要約: 我々は、凸ニューラルネットワーク正規化器の学習のための教師なしベイズ訓練手法を提案する。古典的教師付き逆正則化法と比較して,自然画像ガウシアンデコンボリューションとポアソンデノナイズタスクの密接な性能を示す。
参考スコア（独自算出の注目度）: 12.625383613718636
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Unsupervised learning is a training approach in the situation where ground truth data is unavailable, such as inverse imaging problems. We present an unsupervised Bayesian training approach to learning convex neural network regularizers using a fixed noisy dataset, based on a dual Markov chain estimation method. Compared to classical supervised adversarial regularization methods, where there is access to both clean images as well as unlimited to noisy copies, we demonstrate close performance on natural image Gaussian deconvolution and Poisson denoising tasks.
Abstract（参考訳）: 教師なし学習(英語: Unsupervised learning)とは、逆画像問題などの真理データが利用できない状況における訓練手法である。本稿では,2つのマルコフ連鎖推定法に基づいて,固定ノイズデータセットを用いて凸型ニューラルネットワーク正規化器を学習するための教師なしベイズ訓練手法を提案する。従来の教師付き逆正則化手法と比較して、クリーンな画像と、無制限でノイズの多いコピーの両方へのアクセスが可能であり、自然画像のガウシアンデコンボリューションとポアソンデノーミングタスクに密接なパフォーマンスを示す。

関連論文リスト

Learning Diffusion Model from Noisy Measurement using Principled Expectation-Maximization Method [9.173055778539641]
本稿では,任意の破損型を持つ雑音データから拡散モデルを反復的に学習する,原則的予測最大化(EM)フレームワークを提案する。筆者らはモンテカルロ法を用いて,ノイズ測定からクリーンな画像を正確に推定し,次いで再構成画像を用いて拡散モデルを訓練した。
論文参考訳（メタデータ） (2024-10-15T03:54:59Z)
Generative Edge Detection with Stable Diffusion [52.870631376660924]
エッジ検出は一般的に、主に識別法によって対処されるピクセルレベルの分類問題と見なされる。本稿では、事前学習した安定拡散モデルのポテンシャルを十分に活用して、GED(Generative Edge Detector)という新しい手法を提案する。複数のデータセットに対して広範な実験を行い、競争性能を達成する。
論文参考訳（メタデータ） (2024-10-04T01:52:23Z)
Adversarial Robustification via Text-to-Image Diffusion Models [56.37291240867549]
アドリラルロバスト性は、ニューラルネットワークをエンコードする難しい性質として伝統的に信じられてきた。データを使わずに敵の堅牢性を実現するために,スケーラブルでモデルに依存しないソリューションを開発した。
論文参考訳（メタデータ） (2024-07-26T10:49:14Z)
Consistency Regularisation for Unsupervised Domain Adaptation in Monocular Depth Estimation [15.285720572043678]
整合性に基づく半教師付き学習問題として,単眼深度推定のための教師なし領域適応を定式化する。複数の拡張ビューにまたがって一貫性を保ちながら、ソースドメイン上の予測を規則化するペアワイズ損失関数を導入する。実験では, KITTI と NYUv2 の標準深度推定ベンチマークを用いて,最先端の結果を示す。
論文参考訳（メタデータ） (2024-05-27T23:32:06Z)
Model-based Offline Imitation Learning with Non-expert Data [7.615595533111191]
本稿では,最適条件と最適条件の両方で収集されたデータセットを活用する,スケーラブルなモデルベースオフライン模倣学習アルゴリズムフレームワークを提案する。提案手法は, シミュレーションされた連続制御領域上での低データ構造における振舞いクローンよりも優れることを示す。
論文参考訳（メタデータ） (2022-06-11T13:08:08Z)
PatchNR: Learning from Small Data by Patch Normalizing Flow Regularization [57.37911115888587]
正規化フローに基づく画像の逆問題に対する変分モデリングのための正規化器を提案する。 patchNRと呼ばれる我々の正規化器は、ごく少数の画像のパッチで学習したフローを正規化します。
論文参考訳（メタデータ） (2022-05-24T12:14:26Z)
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)
Unsupervised Source Separation via Bayesian Inference in the Latent Domain [4.583433328833251]
最先端のオーディオソース分離モデルは、教師付きデータ駆動アプローチに依存している。本稿では,時間領域信号の潜在表現を直接操作する,単純で効果的な非教師付き分離アルゴリズムを提案する。 Slakh データセット arXiv:1909.08494 に対する我々のアプローチを検証する。
論文参考訳（メタデータ） (2021-10-11T14:32:55Z)
PDC-Net+: Enhanced Probabilistic Dense Correspondence Network [161.76275845530964]
高度確率密度対応ネットワーク(PDC-Net+)は、精度の高い高密度対応を推定できる。我々は、堅牢で一般化可能な不確実性予測に適したアーキテクチャと強化されたトレーニング戦略を開発する。提案手法は,複数の挑戦的幾何マッチングと光学的フローデータセットに対して,最先端の結果を得る。
論文参考訳（メタデータ） (2021-09-28T17:56:41Z)
Scalable Marginal Likelihood Estimation for Model Selection in Deep Learning [78.83598532168256]
階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
論文参考訳（メタデータ） (2021-04-11T09:50:24Z)
Learning regularization and intensity-gradient-based fidelity for single image super resolution [0.0]
画像劣化の進行について検討し、強度と勾配空間の両方で劣化モデルを確立する。復元には包括的データ一貫性制約が設定される。提案した忠実度項と設計された正規化項は正規化フレームワークに組み込まれる。
論文参考訳（メタデータ） (2020-03-24T07:03:18Z)

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。