論文の概要: Optimal compressed sensing for image reconstruction with diffusion probabilistic models
- arxiv url: http://arxiv.org/abs/2405.17456v2
- Date: Sat, 01 Feb 2025 00:37:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-04 16:05:48.843582
- Title: Optimal compressed sensing for image reconstruction with diffusion probabilistic models
- Title(参考訳): 拡散確率モデルを用いた画像再構成のための最適圧縮センシング
- Authors: Ling-Qi Zhang, Zahra Kadkhodaie, Eero P. Simoncelli, David H. Brainard,
- Abstract要約: このような測定を最適化するための確立された方法は、主成分分析(PCA)、独立成分分析(ICA)、圧縮センシング(CS)などである。
本稿では,効率的な画像再構成のための線形測定の最適化手法を提案する。
2つの自然画像データセットに対して得られた最適測定値がPCA,ICA,CSと異なり,平均2乗再構成誤差が著しく低いことを示す。
- 参考スコア(独自算出の注目度): 10.297832938258841
- License:
- Abstract: We examine the problem of selecting a small set of linear measurements for reconstructing high-dimensional signals. Well-established methods for optimizing such measurements include principal component analysis (PCA), independent component analysis (ICA) and compressed sensing (CS) based on random projections, all of which rely on axis- or subspace-aligned statistical characterization of the signal source. However, many naturally occurring signals, including photographic images, contain richer statistical structure. To exploit such structure, we introduce a general method for obtaining an optimized set of linear measurements for efficient image reconstruction, where the signal statistics are expressed by the prior implicit in a neural network trained to perform denoising (generally known as a "diffusion model"). We demonstrate that the optimal measurements derived for two natural image datasets differ from those of PCA, ICA, or CS, and result in substantially lower mean squared reconstruction error. Interestingly, the marginal distributions of the measurement values are asymmetrical (skewed), substantially more so than those of previous methods. We also find that optimizing with respect to perceptual loss, as quantified by structural similarity (SSIM), leads to measurements different from those obtained when optimizing for MSE. Our results highlight the importance of incorporating the specific statistical regularities of natural signals when designing effective linear measurements.
- Abstract(参考訳): 本研究では,高次元信号再構成のための線形測定の小さなセットを選択することの問題点について検討する。
このような測定を最適化するための確立された手法としては、主成分分析(PCA)、独立成分分析(ICA)、ランダムな投影に基づく圧縮センシング(CS)がある。
しかし、写真画像を含む自然発生の信号の多くは、よりリッチな統計構造を含んでいる。
このような構造を利用するために,信号統計を事前暗黙的に表現し,デノナイズを行うニューラルネットワーク(一般的には「拡散モデル」と呼ばれる)において,効率的な画像再構成のための最適化された線形測定セットを得るための一般的な手法を提案する。
2つの自然画像データセットに対して得られた最適測定値がPCA,ICA,CSと異なり,平均2乗再構成誤差が著しく低いことを示す。
興味深いことに、測定値の限界分布は非対称(歪んだ)であり、従来の方法よりもかなり大きい。
また、構造類似度(SSIM)によって定量化される知覚損失に対する最適化は、MSEを最適化する際に得られるものと異なる測定結果をもたらすことも見出した。
本研究は, 実効線形測定を設計する上で, 自然信号の特異な統計規則性を取り入れることの重要性を強調した。
関連論文リスト
- Advancing quantum imaging through learning theory [7.19995826332098]
我々はそれを学習タスクとしてモデル化し、Resolvable Expressive Capacity (REC) を計算することで量子画像の性能を定量化する。
まず,2点音源と一般分布音源の撮像性能について検討する。
論文 参考訳(メタデータ) (2025-01-26T22:02:13Z) - Spectral Estimators for Structured Generalized Linear Models via Approximate Message Passing [28.91482208876914]
本研究では,高次元一般化線形モデルにおけるパラメータ推定の問題について考察する。
広く使われているにもかかわらず、厳密なパフォーマンス特性とデータ前処理の原則が、構造化されていない設計でのみ利用可能である。
論文 参考訳(メタデータ) (2023-08-28T11:49:23Z) - ESSAformer: Efficient Transformer for Hyperspectral Image
Super-resolution [76.7408734079706]
単一ハイパースペクトル像超解像(単一HSI-SR)は、低分解能観測から高分解能ハイパースペクトル像を復元することを目的としている。
本稿では,1つのHSI-SRの繰り返し精製構造を持つESSA注目組込みトランスフォーマネットワークであるESSAformerを提案する。
論文 参考訳(メタデータ) (2023-07-26T07:45:14Z) - MOSAIC: Masked Optimisation with Selective Attention for Image
Reconstruction [0.5541644538483947]
本研究では,無作為な計測値の選択を考慮に入れた画像再構成のための新しい圧縮センシングフレームワークを提案する。
MOSAICは、エンコードされた一連の測定に注意機構を効率的に適用するために埋め込み技術を採用している。
既存のCS再建手法の代替として,提案するアーキテクチャを検証した。
論文 参考訳(メタデータ) (2023-06-01T17:05:02Z) - DeepDC: Deep Distance Correlation as a Perceptual Image Quality
Evaluator [53.57431705309919]
ImageNet Pre-trained Deep Neural Network (DNN)は、効果的な画像品質評価(IQA)モデルを構築するための顕著な転送性を示す。
我々は,事前学習DNN機能のみに基づく新しいフル参照IQA(FR-IQA)モデルを開発した。
5つの標準IQAデータセット上で,提案した品質モデルの優位性を示すため,包括的実験を行った。
論文 参考訳(メタデータ) (2022-11-09T14:57:27Z) - Effective Invertible Arbitrary Image Rescaling [77.46732646918936]
Invertible Neural Networks (INN)は、ダウンスケーリングとアップスケーリングのサイクルを共同で最適化することにより、アップスケーリングの精度を大幅に向上させることができる。
本研究の1つのモデルのみをトレーニングすることにより、任意の画像再スケーリングを実現するために、単純で効果的な非可逆的再スケーリングネットワーク(IARN)を提案する。
LR出力の知覚品質を損なうことなく、双方向任意再スケーリングにおいて最先端(SOTA)性能を実現する。
論文 参考訳(メタデータ) (2022-09-26T22:22:30Z) - A Model for Multi-View Residual Covariances based on Perspective
Deformation [88.21738020902411]
マルチビューSfM, オードメトリ, SLAMセットアップにおける視覚的残差の共分散モデルの導出を行う。
我々は、合成データと実データを用いてモデルを検証し、それを光度および特徴量に基づくバンドル調整に統合する。
論文 参考訳(メタデータ) (2022-02-01T21:21:56Z) - Fast Scalable Image Restoration using Total Variation Priors and
Expectation Propagation [7.7731951589289565]
本稿では,全変動(TV)を用いた画像復元のための拡張性のあるベイズ近似手法を提案する。
我々は期待伝搬(EP)フレームワークを用いて最小平均二乗誤差(MMSE)推定器と限界(ピクセル単位)分散を近似する。
論文 参考訳(メタデータ) (2021-10-04T17:28:41Z) - Understanding Implicit Regularization in Over-Parameterized Single Index
Model [55.41685740015095]
我々は高次元単一インデックスモデルのための正規化自由アルゴリズムを設計する。
暗黙正則化現象の理論的保証を提供する。
論文 参考訳(メタデータ) (2020-07-16T13:27:47Z) - Asymptotic Analysis of an Ensemble of Randomly Projected Linear
Discriminants [94.46276668068327]
[1]では、ランダムに投影された線形判別式のアンサンブルを用いてデータセットを分類する。
我々は,計算コストのかかるクロスバリデーション推定器の代替として,誤分類確率の一貫した推定器を開発する。
また、実データと合成データの両方で投影次元を調整するための推定器の使用を実証する。
論文 参考訳(メタデータ) (2020-04-17T12:47:04Z) - Bayesian System ID: Optimal management of parameter, model, and
measurement uncertainty [0.0]
システム識別(ID)の確率的定式化の頑健さを,スパース,ノイズ,間接データに対して評価した。
従来手法の目的関数面と比較して,ログ後部は幾何学的特性が向上したことを示す。
論文 参考訳(メタデータ) (2020-03-04T22:48:30Z)
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。