論文の概要: Fast and Robust Phase Retrieval via Deep Expectation-Consistent Approximation

• arxiv url: http://arxiv.org/abs/2407.09687v1
• Date: Fri, 12 Jul 2024 21:12:50 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-16 21:18:20.417761
• Title: Fast and Robust Phase Retrieval via Deep Expectation-Consistent Approximation
• Title（参考訳）: 深い期待-一貫性近似による高速かつロバストな位相検索
• Authors: Saurav K. Shastri, Philip Schniter,
• Abstract要約: 本稿では,予測整合近似とDeep Denoising Networkを組み合わせたDeepECprを提案する。 DeepECprは、最近の拡散法にインスパイアされた新しい減衰スキームを含んでいる。 PSNRとSSIMでは5倍のデノイザコールで改善が見られた。
• 参考スコア（独自算出の注目度）: 8.677012233188968
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurately recovering images from phaseless measurements is a challenging and long-standing problem. In this work, we present "deepECpr," which combines expectation-consistent (EC) approximation with deep denoising networks to surpass state-of-the-art phase-retrieval methods in both speed and accuracy. In addition to applying EC in a non-traditional manner, deepECpr includes a novel stochastic damping scheme that is inspired by recent diffusion methods. Like existing phase-retrieval methods based on plug-and-play priors, regularization by denoising, or diffusion, deepECpr iterates a denoising stage with a measurement-exploitation stage. But unlike existing methods, deepECpr requires far fewer denoiser calls. We compare deepECpr to the state-of-the-art prDeep (Metzler et al., 2018), Deep-ITA (Wang et al., 2020), and Diffusion Posterior Sampling (Chung et al., 2023) methods for noisy phase-retrieval of color, natural, and unnatural grayscale images on oversampled-Fourier and coded-diffraction-pattern measurements and find improvements in both PSNR and SSIM with 5x fewer denoiser calls.
• Abstract（参考訳）: フェーズレス計測から正確なイメージを正確に回収することは、困難で長期にわたる問題である。 本研究では,予測整合性(EC)近似とDeep Denoising Networkを組み合わせたDeepECprを提案する。 非伝統的な方法でECを適用することに加えて、DeepECprは最近の拡散法にインスパイアされた新しい確率減衰スキームを含んでいる。 プラグ・アンド・プレイの事前に基づく既存の位相検索法と同様に、DeepECprはデノナイジング段階を測定-探索段階で反復する。 しかし、既存のメソッドとは異なり、DeepECprははるかに少ないデノイザ呼び出しを必要とします。 We compare deepECpr to the State-of-the-the-art prDeep (Metzler et al , 2018), Deep-ITA (Wang et al , 2020), and Diffusion Posterior Sampling (Chung et al , 2023) method for noisy phase-retrieval of color, natural, and unnatural grayscale images on oversampled-Fourier and coded-diffraction-pattern Measurement and find improve in PSNR and SSIM with 5x less denoiser call。

関連論文リスト

• Improving Diffusion Inverse Problem Solving with Decoupled Noise Annealing [84.97865583302244]
  本稿では,新しいノイズアニーリングプロセスに依存するDAPS (Decoupled Annealing Posterior Sampling) 法を提案する。 DAPSは、複数の画像復元タスクにおけるサンプル品質と安定性を著しく改善する。 例えば、フェーズ検索のためのFFHQ 256データセット上で、PSNRが30.72dBである場合、既存の手法と比較して9.12dBの改善となる。
  論文  参考訳（メタデータ） (2024-07-01T17:59:23Z)
• Efficient Diffusion Model for Image Restoration by Residual Shifting [63.02725947015132]
  本研究では,画像復元のための新しい,効率的な拡散モデルを提案する。 提案手法は,推論中の後処理の高速化を回避し,関連する性能劣化を回避する。 提案手法は,3つの古典的IRタスクにおける現在の最先端手法よりも優れた,あるいは同等の性能を実現する。
  論文  参考訳（メタデータ） (2024-03-12T05:06:07Z)
• Inverse-Free Fast Natural Gradient Descent Method for Deep Learning [52.0693420699086]
  本稿では,第1期における逆転のみを必要とする高速な自然勾配降下法を提案する。 FNGDは1次法の平均和と類似性を示し、FNGDの計算複雑性は1次法に匹敵する。
  論文  参考訳（メタデータ） (2024-03-06T05:13:28Z)
• Parallel Sampling of Diffusion Models [76.3124029406809]
  拡散モデルは強力な生成モデルであるが、サンプリングが遅い。 そこで本研究では,複数のステップを並列にdenoisingすることで,事前学習した拡散モデルのサンプリングを高速化するParaDiGMSを提案する。
  論文  参考訳（メタデータ） (2023-05-25T17:59:42Z)
• CoreDiff: Contextual Error-Modulated Generalized Diffusion Model for Low-Dose CT Denoising and Generalization [41.64072751889151]
  低線量CT(LDCT)画像は光子飢餓と電子ノイズによりノイズやアーティファクトに悩まされる。 本稿では,低用量CT (LDCT) 用新しいCOntextual eRror-modulated gEneralized Diffusion Model(CoreDiff)を提案する。
  論文  参考訳（メタデータ） (2023-04-04T14:13:13Z)
• DiffusionDepth: Diffusion Denoising Approach for Monocular Depth Estimation [23.22005119986485]
  DiffusionDepthは、単分子深度推定をデノナイズ拡散過程として再構成する新しいアプローチである。 ランダムな深度分布をモノラルな視覚条件のガイダンスで深度マップに分解する反復的復調過程を学習する。 KITTIとNYU-Depth-V2データセットの実験結果は、シンプルだが効率的な拡散アプローチが、許容可能な推論時間を持つ屋内および屋外の両方のシナリオで最先端のパフォーマンスに達することを示唆している。
  論文  参考訳（メタデータ） (2023-03-09T03:48:24Z)
• Q-Diffusion: Quantizing Diffusion Models [52.978047249670276]
  ポストトレーニング量子化(PTQ)は、他のタスクに対するゴーツー圧縮法であると考えられている。 本稿では,一意なマルチステップパイプラインとモデルアーキテクチャに適した新しいPTQ手法を提案する。 提案手法は,完全精度の非条件拡散モデルを同等の性能を維持しつつ4ビットに定量化できることを示す。
  論文  参考訳（メタデータ） (2023-02-08T19:38:59Z)
• Deep Gaussian Denoiser Epistemic Uncertainty and Decoupled Dual-Attention Fusion [11.085432358616671]
  我々は,最先端手法の性能限界をガウス雑音化に推進することに注力する。 本研究では, 1つの事前訓練ネットワークのみを用いて, 骨粗さを低減するモデル非依存アプローチを提案する。 その結果,最先端のベースラインや様々なノイズレベルに対して有意に改善した。
  論文  参考訳（メタデータ） (2021-01-12T17:38:32Z)
• Unsupervised Hyperspectral Mixed Noise Removal Via Spatial-Spectral Constrained Deep Image Prior [20.800924148446978]
  HSI混合雑音除去のための空間スペクトル制約深部画像(S2DIP)を提案する。 提案したS2DIPは、訓練データなしで深部CNNから得られる表現力を利用する。 提案手法は, DIPのHSI復調能力を大幅に向上させる。
  論文  参考訳（メタデータ） (2020-08-22T04:25:08Z)
• Simultaneous Denoising and Dereverberation Using Deep Embedding Features [64.58693911070228]
  ディープ埋め込み特徴を用いた同時発声・発声同時学習法を提案する。 ノイズ発生段階では、DCネットワークを利用してノイズのないディープ埋込み特性を抽出する。 残響段階では、教師なしのK平均クラスタリングアルゴリズムの代わりに、別のニューラルネットワークを用いて無響音声を推定する。
  論文  参考訳（メタデータ） (2020-04-06T06:34:01Z)

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。