論文の概要: Constructing an Interpretable Deep Denoiser by Unrolling Graph Laplacian Regularizer

• arxiv url: http://arxiv.org/abs/2409.06676v1
• Date: Tue, 10 Sep 2024 17:42:14 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-11 16:39:07.895459
• Title: Constructing an Interpretable Deep Denoiser by Unrolling Graph Laplacian Regularizer
• Title（参考訳）: グラフラプラシアン正規化器の展開による解釈可能なDenoiserの構成
• Authors: Seyed Alireza Hosseini, Tam Thuc Do, Gene Cheung, Yuichi Tanaka,
• Abstract要約: イメージデノイザは、Plug-and-Play (MAP)アーキテクチャを介して、幅広い復元問題に使用できる。 解析可能なグラフベースパラメータデノイザ(GDD)を構築するための一般的なフレームワークを提案する。 GDDは、競争相手と比較して、競争力のある画像復調性能を達成する。
• 参考スコア（独自算出の注目度）: 26.334739062500674
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: An image denoiser can be used for a wide range of restoration problems via the Plug-and-Play (PnP) architecture. In this paper, we propose a general framework to build an interpretable graph-based deep denoiser (GDD) by unrolling a solution to a maximum a posteriori (MAP) problem equipped with a graph Laplacian regularizer (GLR) as signal prior. Leveraging a recent theorem showing that any (pseudo-)linear denoiser $\boldsymbol \Psi$, under mild conditions, can be mapped to a solution of a MAP denoising problem regularized using GLR, we first initialize a graph Laplacian matrix $\mathbf L$ via truncated Taylor Series Expansion (TSE) of $\boldsymbol \Psi^{-1}$. Then, we compute the MAP linear system solution by unrolling iterations of the conjugate gradient (CG) algorithm into a sequence of neural layers as a feed-forward network -- one that is amenable to parameter tuning. The resulting GDD network is "graph-interpretable", low in parameter count, and easy to initialize thanks to $\mathbf L$ derived from a known well-performing denoiser $\boldsymbol \Psi$. Experimental results show that GDD achieves competitive image denoising performance compared to competitors, but employing far fewer parameters, and is more robust to covariate shift.
• Abstract（参考訳）: 画像復号器はPlug-and-Play (PnP)アーキテクチャを介して幅広い復元問題に利用できる。 本稿では,グラフラプラシアン正則化器(GLR)を先行信号として備えた最大アフターリ(MAP)問題に対する解を解き放つことにより,解釈可能なグラフベースディープデノイザ(GDD)を構築するための一般的な枠組みを提案する。 穏やかな条件下で、任意の (pseudo-)linear denoiser $\boldsymbol \Psi$ が GLR を用いて正規化されたMAP分解問題の解に写像できることを示す最近の定理を利用して、まずグラフ Laplacian matrix $\mathbf L$ を $\boldsymbol \Psi^{-1}$ の truncated Taylor Series Expansion (TSE) を介して初期化する。 次に、共役勾配(CG)アルゴリズムの反復をフィードフォワードネットワークとして一連のニューラルネットワーク層にアンロールすることでMAP線形系解を計算する。 結果として得られるGDDネットワークは、"graph-interpretable"であり、パラメータカウントが低く、$\mathbf L$が既知の高性能デノイザである$\boldsymbol \Psi$から導かれるため、初期化が容易である。 実験結果から,GDDは競合に比べて競合画像のデノゲーション性能が向上するが,パラメータがはるかに少なく,共変量に強いことが示唆された。

関連論文リスト

• Graph Signal Sampling for Inductive One-Bit Matrix Completion: a Closed-form Solution [112.3443939502313]
  グラフ信号解析と処理の利点を享受する統合グラフ信号サンプリングフレームワークを提案する。 キーとなる考え方は、各ユーザのアイテムのレーティングをアイテムイットグラフの頂点上の関数(信号)に変換することである。 オンライン設定では、グラフフーリエ領域における連続ランダムガウス雑音を考慮したベイズ拡張(BGS-IMC)を開発する。
  論文  参考訳（メタデータ） (2023-02-08T08:17:43Z)
• Efficient Signed Graph Sampling via Balancing & Gershgorin Disc Perfect Alignment [51.74913666829224]
  強い反相関を持つデータセットに対して、適切なグラフは正および負のエッジ重みの両方を含むことを示す。 本稿では,平衡符号グラフの概念に着目した線形時間符号グラフサンプリング手法を提案する。 実験結果から, 署名付きグラフサンプリング手法は, 各種データセットにおいて, 既存の高速サンプリング方式よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2022-08-18T09:19:01Z)
• GLAN: A Graph-based Linear Assignment Network [29.788755291070462]
  深層グラフネットワークに基づく学習可能な線形代入問題の解法を提案する。 合成データセットによる実験結果から,本手法は最先端のベースラインよりも優れていることがわかった。 また,提案手法を一般的なマルチオブジェクトトラッキング(MOT)フレームワークに組み込んで,エンド・ツー・エンドでトラッカーをトレーニングする。
  論文  参考訳（メタデータ） (2022-01-05T13:18:02Z)
• Learning Sparse Graph with Minimax Concave Penalty under Gaussian Markov Random Fields [51.07460861448716]
  本稿では,データから学ぶための凸解析フレームワークを提案する。 三角凸分解はその上部に対応する変換によって保証されることを示す。
  論文  参考訳（メタデータ） (2021-09-17T17:46:12Z)
• Unfolding Projection-free SDP Relaxation of Binary Graph Classifier via GDPA Linearization [59.87663954467815]
  アルゴリズムの展開は、モデルベースのアルゴリズムの各イテレーションをニューラルネットワーク層として実装することにより、解釈可能で類似のニューラルネットワークアーキテクチャを生成する。 本稿では、Gershgorin disc perfect alignment (GDPA)と呼ばれる最近の線形代数定理を利用して、二進グラフの半定値プログラミング緩和(SDR)のためのプロジェクションフリーアルゴリズムをアンロールする。 実験結果から,我々の未学習ネットワークは純粋モデルベースグラフ分類器よりも優れ,純粋データ駆動ネットワークに匹敵する性能を示したが,パラメータははるかに少なかった。
  論文  参考訳（メタデータ） (2021-09-10T07:01:15Z)
• Projection-free Graph-based Classifier Learning using Gershgorin Disc Perfect Alignment [59.87663954467815]
  グラフベースのバイナリ学習では、既知のラベルのサブセット$hatx_i$を使って未知のラベルを推論する。 ラベルの$x_i$をバイナリ値に制限する場合、問題はNPハードである。 代わりに線形プログラム(LP)の列を解くことにより,高速なプロジェクションフリー手法を提案する。
  論文  参考訳（メタデータ） (2021-06-03T07:22:48Z)
• Unrolling of Deep Graph Total Variation for Image Denoising [106.93258903150702]
  本稿では,従来のグラフ信号フィルタリングと深い特徴学習を併用して,競合するハイブリッド設計を提案する。 解釈可能な低パスグラフフィルタを用い、最先端のDL復調方式DnCNNよりも80%少ないネットワークパラメータを用いる。
  論文  参考訳（メタデータ） (2020-10-21T20:04:22Z)
• Does the $\ell_1$-norm Learn a Sparse Graph under Laplacian Constrained Graphical Models? [13.572602792770288]
  ラプラシアン制約ガウス図形モデルの下でグラフを学習する問題を考察する。 我々は、大きな正規化パラメータが驚くほど完全なグラフ、すなわちエッジで接続されたすべてのエッジにつながることを示した。
  論文  参考訳（メタデータ） (2020-06-26T12:06:10Z)

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。