論文の概要: Plug-and-Play Priors as a Score-Based Method

• arxiv url: http://arxiv.org/abs/2412.11108v1
• Date: Sun, 15 Dec 2024 08:10:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 13:55:21.706120
• Title: Plug-and-Play Priors as a Score-Based Method
• Title（参考訳）: スコアベース手法としてのPlug-and-Play Presides
• Authors: Chicago Y. Park, Yuyang Hu, Michael T. McCann, Cristina Garcia-Cardona, Brendt Wohlberg, Ulugbek S. Kamilov,
• Abstract要約: プラグ・アンド・プレイ (pn) 法は, 物理測定モデルと事前学習した深度デノイザを組み込むことにより, 逆問題の解法として広く用いられている。 スコアベース拡散モデル(SBM)は、画像のスコアを表すディープディープデノイザによる画像生成のための強力なフレームワークとして最近登場した。
• 参考スコア（独自算出の注目度）: 10.533522753705599
• License:
• Abstract: Plug-and-play (PnP) methods are extensively used for solving imaging inverse problems by integrating physical measurement models with pre-trained deep denoisers as priors. Score-based diffusion models (SBMs) have recently emerged as a powerful framework for image generation by training deep denoisers to represent the score of the image prior. While both PnP and SBMs use deep denoisers, the score-based nature of PnP is unexplored in the literature due to its distinct origins rooted in proximal optimization. This letter introduces a novel view of PnP as a score-based method, a perspective that enables the re-use of powerful SBMs within classical PnP algorithms without retraining. We present a set of mathematical relationships for adapting popular SBMs as priors within PnP. We show that this approach enables a direct comparison between PnP and SBM-based reconstruction methods using the same neural network as the prior. Code is available at https://github.com/wustl-cig/score_pnp.
• Abstract（参考訳）: PnP (Plug-and-play) 法は, 実測モデルと事前学習したディープデノイザを組み込むことにより, 逆画像の問題を解決するために広く用いられている。 スコアベース拡散モデル (SBM) は, 画像のスコアを表現するために, ディープデノイザを訓練することにより, 画像生成のための強力なフレームワークとして最近登場した。 PnP と SBM はどちらもディープデノイザを用いるが、PnP のスコアベースの性質は、近位最適化に根ざした独自の起源のため、文献では未発見である。 このレターでは、古典的なPnPアルゴリズムにおける強力なSBMの再使用を可能にする視点として、スコアベースの手法として、PnPの新たなビューを紹介している。 一般的なSBMをPnP内の先行値として適用するための数学的関係について述べる。 提案手法は,PnPとSBMを併用した再構成手法とを,従来と同一のニューラルネットワークを用いて直接比較できることを示す。 コードはhttps://github.com/wustl-cig/score_pnp.comで公開されている。

関連論文リスト

• PnP-Flow: Plug-and-Play Image Restoration with Flow Matching [2.749898166276854]
  本稿では,逆画像問題の解法であるPlug-and-Play Flow Matchingを提案する。 我々は,デノイング,スーパーレゾリューション,インペインティングのタスクにおける性能を評価した。
  論文  参考訳（メタデータ） (2024-10-03T12:13:56Z)
• Prior Mismatch and Adaptation in PnP-ADMM with a Nonconvex Convergence Analysis [20.63188897629508]
  Plug-and-Playは、逆イメージング問題を解決するために広く使われているファミリーメソッドである。 ディープ・メソッドは、前者が強力なデノイザを用いて得られるとき、最先端の性能を達成することが示されている。
  論文  参考訳（メタデータ） (2023-09-29T20:49:00Z)
• Generative Plug and Play: Posterior Sampling for Inverse Problems [4.417934991211913]
  Plug-Play(および)は、前方モデルと先行モデルからなるフレームワークを使用してイメージを再構築する一般的な方法となっている。 BM3Dデノイザを用いた実験シミュレーションを行った。
  論文  参考訳（メタデータ） (2023-06-12T16:49:08Z)
• On Maximum-a-Posteriori estimation with Plug & Play priors and stochastic gradient descent [13.168923974530307]
  画像問題の解法は、通常、明示的なデータ可能性関数と、その解の明確な期待特性とを結合する。 明示的なモデリングから離れて、画像復調アルゴリズムによって定義された暗黙の先行値の使用について、いくつかの最近の研究が提案され、研究されている。
  論文  参考訳（メタデータ） (2022-01-16T20:50:08Z)
• COPS: Controlled Pruning Before Training Starts [68.8204255655161]
  最先端のディープニューラルネットワーク(DNN)プルーニング技術は、トレーニング開始前にワンショットで適用され、プルーニングスコアと呼ばれる単一の基準の助けを借りてスパースアーキテクチャを評価する。 この作業では、単一プルーニング基準に集中するのではなく、任意のGASを組み合わせてより強力なプルーニング戦略を構築するためのフレームワークを提供します。
  論文  参考訳（メタデータ） (2021-07-27T08:48:01Z)
• Recovery Analysis for Plug-and-Play Priors using the Restricted Eigenvalue Condition [48.08511796234349]
  本稿では, プラグアンドプレイ先行(ノイズ)の理論的回復保証の確立方法と, RED法による正規化について述べる。 以上の結果から,事前学習したアーティファクト除去ネットワークを用いたモデルの方が,既存の最先端手法と比較して有意に優れた結果が得られることが示唆された。
  論文  参考訳（メタデータ） (2021-06-07T14:45:38Z)
• Deep Shells: Unsupervised Shape Correspondence with Optimal Transport [52.646396621449]
  本稿では,3次元形状対応のための教師なし学習手法を提案する。 提案手法は,複数のデータセット上での最先端技術よりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-10-28T22:24:07Z)
• ESPN: Extremely Sparse Pruned Networks [50.436905934791035]
  簡単な反復マスク探索法により,非常に深いネットワークの最先端の圧縮を実現することができることを示す。 本アルゴリズムは,シングルショット・ネットワーク・プルーニング法とロッテ・ティケット方式のハイブリッド・アプローチを示す。
  論文  参考訳（メタデータ） (2020-06-28T23:09:27Z)
• Scalable Plug-and-Play ADMM with Convergence Guarantees [24.957046830965822]
  広範に使われている変種を漸進的に提案する。 ADMMアルゴリズムにより、大規模データセットにスケーラブルになる。 理論的には,集合的明示的な仮定の下で収束アルゴリズムを解析する。
  論文  参考訳（メタデータ） (2020-06-05T04:10:15Z)
• The Power of Triply Complementary Priors for Image Compressive Sensing [89.14144796591685]
  本稿では,一対の相補的な旅先を含むLRD画像モデルを提案する。 次に、画像CSのためのRDモデルに基づく新しいハイブリッド・プラグイン・アンド・プレイ・フレームワークを提案する。 そこで,提案したH-based image CS問題の解法として,単純で効果的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-05-16T08:17:44Z)
• MSE-Optimal Neural Network Initialization via Layer Fusion [68.72356718879428]
  ディープニューラルネットワークは、さまざまな分類と推論タスクに対して最先端のパフォーマンスを達成する。 グラデーションと非進化性の組み合わせは、学習を新しい問題の影響を受けやすいものにする。 確率変数を用いて学習した深層ネットワークの近傍層を融合する手法を提案する。
  論文  参考訳（メタデータ） (2020-01-28T18:25:15Z)

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。