論文の概要: Re-thinking Richardson-Lucy without Iteration Cutoffs: Physically Motivated Bayesian Deconvolution

• arxiv url: http://arxiv.org/abs/2411.00991v1
• Date: Fri, 01 Nov 2024 19:29:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-05 21:26:56.796911
• Title: Re-thinking Richardson-Lucy without Iteration Cutoffs: Physically Motivated Bayesian Deconvolution
• Title（参考訳）: 反復遮断のないリチャードソン=ルーシーの再考:物理的に動機付けられたベイズ革命
• Authors: Zachary H. Hendrix, Peter T. Brown, Tim Flanagan, Douglas P. Shepherd, Ayush Saurabh, Steve Pressé,
• Abstract要約: リチャードソン=ルーシー・デコンボリューション(Richardson-Lucy deconvolution)は、点拡散関数と光子ショットノイズによる劣化による画像の復元に広く用いられている。 RLアルゴリズムはスパース解と過適合ノイズを好むことが知られており、高周波アーティファクトに繋がる。 本稿では、RLアプローチに固有の課題を避けるために、物理的に正確な画像形成モデルを組み合わせた厳密なデコンボリューションフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Richardson-Lucy deconvolution is widely used to restore images from degradation caused by the broadening effects of a point spread function and corruption by photon shot noise, in order to recover an underlying object. In practice, this is achieved by iteratively maximizing a Poisson emission likelihood. However, the RL algorithm is known to prefer sparse solutions and overfit noise, leading to high-frequency artifacts. The structure of these artifacts is sensitive to the number of RL iterations, and this parameter is typically hand-tuned to achieve reasonable perceptual quality of the inferred object. Overfitting can be mitigated by introducing tunable regularizers or other ad hoc iteration cutoffs in the optimization as otherwise incorporating fully realistic models can introduce computational bottlenecks. To resolve these problems, we present Bayesian deconvolution, a rigorous deconvolution framework that combines a physically accurate image formation model avoiding the challenges inherent to the RL approach. Our approach achieves deconvolution while satisfying the following desiderata: I deconvolution is performed in the spatial domain (as opposed to the frequency domain) where all known noise sources are accurately modeled and integrated in the spirit of providing full probability distributions over the density of the putative object recovered; II the probability distribution is estimated without making assumptions on the sparsity or continuity of the underlying object; III unsupervised inference is performed and converges to a stable solution with no user-dependent parameter tuning or iteration cutoff; IV deconvolution produces strictly positive solutions; and V implementation is amenable to fast, parallelizable computation.
• Abstract（参考訳）: リチャードソン=ルーシー・デコンボリューション(Richardson-Lucy deconvolution)は、被写体を復元するために、点拡散関数の広範化効果と光子ショットノイズによる劣化による画像の復元に広く用いられている。 実際には、これはポアソンの放出確率を反復的に最大化することで達成される。 しかし、RLアルゴリズムはスパース解と過度なノイズを好んでおり、高周波アーティファクトに繋がる。 これらのアーティファクトの構造はRL反復の数に敏感であり、このパラメータは通常、推論対象の合理的な知覚品質を達成するために手動で調整される。 オーバーフィッティングは、チューナブルな正規化子や他のアドホックな反復カットオフを最適化に導入することで緩和することができる。 これらの問題を解決するために、RLアプローチに固有の課題を避けるために、物理的に正確な画像形成モデルを組み合わせた厳密なデコンボリューションフレームワークであるベイジアンデコンボリューション(Bayesian deconvolution)を提案する。 I deconvolution is performed in the space domain, which all known noise sources are accurate modeled and integrated in the spirit of the full probability distributions over the density of the putative object recovery; II the probability distribution is estimated that without make assumptions on the sparsity or continuity of the underlying object; III unsupervised inference is performed and converges a stable solution with no user-dependent parameter tuning or iteration cutoff; IV deconvolution produce strictly positive solution; V implementation is amenable to fast, parallelizable compute。

関連論文リスト

• BID-NeRF: RGB-D image pose estimation with inverted Neural Radiance Fields [0.0]
  Inverted Neural Radiance Fields (iNeRF) アルゴリズムの改良を目標とし、画像ポーズ推定問題をNeRFに基づく反復線形最適化として定義する。 NeRFは、現実世界のシーンやオブジェクトのフォトリアリスティックな新しいビューを合成できる新しい空間表現モデルである。
  論文  参考訳（メタデータ） (2023-10-05T14:27:06Z)
• Learning Unnormalized Statistical Models via Compositional Optimization [73.30514599338407]
  実データと人工雑音のロジスティックな損失として目的を定式化することにより, ノイズコントラスト推定(NCE)を提案する。 本稿では,非正規化モデルの負の対数類似度を最適化するための直接的アプローチについて検討する。
  論文  参考訳（メタデータ） (2023-06-13T01:18:16Z)
• An Optimization-based Deep Equilibrium Model for Hyperspectral Image Deconvolution with Convergence Guarantees [71.57324258813675]
  本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。 新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。 導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
  論文  参考訳（メタデータ） (2023-06-10T08:25:16Z)
• Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
  拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。 本稿では,階層型統合拡散モデル(HI-Diff)を提案する。 人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2023-05-22T12:18:20Z)
• Conditional Denoising Diffusion for Sequential Recommendation [62.127862728308045]
  GAN(Generative Adversarial Networks)とVAE(VAE)の2つの顕著な生成モデル GANは不安定な最適化に苦しむ一方、VAEは後続の崩壊と過度に平らな世代である。 本稿では,シーケンスエンコーダ,クロスアテンティブデノナイジングデコーダ,ステップワイズディフューザを含む条件付きデノナイジング拡散モデルを提案する。
  論文  参考訳（メタデータ） (2023-04-22T15:32:59Z)
• Curvature regularization for Non-line-of-sight Imaging from Under-sampled Data [5.591221518341613]
  非視線イメージング(NLOS)は、視線で測定されたデータから3次元の隠れたシーンを再構築することを目的としている。 曲率正規化に基づく新しいNLOS再構成モデルを提案する。 提案したアルゴリズムを,合成データセットと実データセットの両方で評価する。
  論文  参考訳（メタデータ） (2023-01-01T14:10:43Z)
• Probabilistic Shape Completion by Estimating Canonical Factors with Hierarchical VAE [48.03685702899071]
  本稿では,点雲の部分観測から3次元形状完成法を提案する。 提案手法は,局所特徴体全体を1つのフィードフォワードネットワークで推定する。 完全特徴量の正準因子を確率的に推定するために, 微小な正準関数を持つ階層的変分オートエンコーダ (VAE) を用いる。
  論文  参考訳（メタデータ） (2022-12-06T23:41:31Z)
• Tuning-free Plug-and-Play Hyperspectral Image Deconvolution with Deep Priors [6.0622962428871885]
  HSIデコンボリューションのためのチューニング不要なPlug-and-Playアルゴリズムを提案する。 具体的には、交互方向乗算器(ADMM)を用いて問題を2つの反復的部分確率に分解する。 フレキシブルブラインド3Dデノナイジングネットワーク(B3DDN)は、より深い事前学習と、異なるノイズレベルを持つデノナイジングサブプロブレムの解決を目的として設計されている。
  論文  参考訳（メタデータ） (2022-11-28T13:41:14Z)
• Image Generation with Multimodal Priors using Denoising Diffusion Probabilistic Models [54.1843419649895]
  このタスクを達成するために生成モデルを使用する際の大きな課題は、すべてのモダリティと対応する出力を含むペアデータの欠如である。 本稿では,拡散確率的合成モデルに基づく多モデル先行画像生成手法を提案する。
  論文  参考訳（メタデータ） (2022-06-10T12:23:05Z)
• Deep Variational Network Toward Blind Image Restoration [60.45350399661175]
  ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。 両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。 画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2020-08-25T03:30:53Z)

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。