Fugu-MT 論文翻訳(概要): PtyGenography: using generative models for regularization of the phase retrieval problem

論文の概要: PtyGenography: using generative models for regularization of the phase retrieval problem

arxiv url: http://arxiv.org/abs/2502.01338v1
Date: Mon, 03 Feb 2025 13:26:55 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-05 15:00:51.165824
Title: PtyGenography: using generative models for regularization of the phase retrieval problem
Title（参考訳）: PtyGenography: 位相探索問題の正規化における生成モデルの利用
Authors: Selin Aslan, Tristan van Leeuwen, Allard Mosk, Palina Salanevich,
Abstract要約: 古典的および生成的逆問題定式化の再構成特性を比較する。本稿では,様々なノイズレベルに対する生成モデルへの過度適合を緩和する新しい統一的再構成手法を提案する。
参考スコア（独自算出の注目度）: 0.562479170374811
License:
Abstract: In phase retrieval and similar inverse problems, the stability of solutions across different noise levels is crucial for applications. One approach to promote it is using signal priors in a form of a generative model as a regularization, at the expense of introducing a bias in the reconstruction. In this paper, we explore and compare the reconstruction properties of classical and generative inverse problem formulations. We propose a new unified reconstruction approach that mitigates overfitting to the generative model for varying noise levels.
Abstract（参考訳）: 位相探索や同様の逆問題では、様々なノイズレベルの解の安定性がアプリケーションにとって重要である。これを促進する1つのアプローチは、再生モデルという形で信号先行を正規化することであり、再建にバイアスがかかることを犠牲にしている。本稿では,古典的および生成的逆問題定式化の再構成特性について検討し,比較する。本稿では,様々なノイズレベルに対する生成モデルへの過度適合を緩和する新しい統一的再構成手法を提案する。

関連論文リスト

DDRM-PR: Fourier Phase Retrieval using Denoising Diffusion Restoration Models [0.0]
本稿では,デノナイジング拡散回復モデルの効率的かつ教師なしの後方サンプリングフレームワークを利用する。この手法は、モデルベースの交互射影法とDDRMを組み合わせて、事前訓練された無条件拡散前処理を位相検索に利用する。
論文参考訳（メタデータ） (2025-01-06T14:18:23Z)
Sparse Bayesian Generative Modeling for Compressive Sensing [8.666730973498625]
この研究は、圧縮センシング(CS)における基本的な線形逆問題に、新しいタイプの正規化生成先行を導入することで対処する。提案手法は変分推論の概念を用いて理論的に支援し,異なる種類の圧縮可能な信号を用いて実験的に検証する。
論文参考訳（メタデータ） (2024-11-14T14:37:47Z)
Improving Diffusion Models for Inverse Problems Using Optimal Posterior Covariance [52.093434664236014]
近年の拡散モデルは、特定の逆問題に対して再訓練することなく、ノイズの多い線形逆問題に対する有望なゼロショット解を提供する。この発見に触発されて、我々は、最大推定値から決定されるより原理化された共分散を用いて、最近の手法を改善することを提案する。
論文参考訳（メタデータ） (2024-02-03T13:35:39Z)
DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [89.49600182243306]
我々は拡散モデルを用いて再構成過程をノイズ・ツー・ノームパラダイムに再構成する。本稿では,拡散モデルにおける従来の反復的復調よりもはるかに高速な高速な一段階復調パラダイムを提案する。セグメント化サブネットワークは、入力画像とその異常のない復元を用いて画素レベルの異常スコアを予測する。
論文参考訳（メタデータ） (2023-03-15T16:14:06Z)
Removing Structured Noise with Diffusion Models [14.187153638386379]
拡散モデルによる後方サンプリングの強力なパラダイムは、リッチで構造化されたノイズモデルを含むように拡張可能であることを示す。構成雑音による様々な逆問題に対して高い性能向上を示し、競争的ベースラインよりも優れた性能を示す。これにより、非ガウス測度モデルの文脈における逆問題に対する拡散モデリングの新しい機会と関連する実践的応用が開かれる。
論文参考訳（メタデータ） (2023-01-20T23:42:25Z)
Variational Laplace Autoencoders [53.08170674326728]
変分オートエンコーダは、遅延変数の後部を近似するために、償却推論モデルを用いる。完全分解ガウス仮定の限定的後部表現性に対処する新しい手法を提案する。また、深部生成モデルのトレーニングのための変分ラプラスオートエンコーダ(VLAE)という一般的なフレームワークも提示する。
論文参考訳（メタデータ） (2022-11-30T18:59:27Z)
Diffusion Posterior Sampling for General Noisy Inverse Problems [50.873313752797124]
我々は、後方サンプリングの近似により、雑音(非線形)逆問題に対処するために拡散解法を拡張した。本手法は,拡散モデルが様々な計測ノイズ統計を組み込むことができることを示す。
論文参考訳（メタデータ） (2022-09-29T11:12:27Z)
JPEG Artifact Correction using Denoising Diffusion Restoration Models [110.1244240726802]
本稿では,DDRM(Denoising Diffusion Restoration Models)に基づいて,非線形逆問題の解法を提案する。我々は、DDRMで使用される擬逆演算子を活用し、この概念を他の測度演算子に一般化する。
論文参考訳（メタデータ） (2022-09-23T23:47:00Z)
Optimizing Intermediate Representations of Generative Models for Phase Retrieval [0.5156484100374059]
位相検索は、等級のみの測定から画像を再構成する問題である。我々は、トレーニングデータと整合した画像を生成しながら、中間層最適化(ILO)の新たなバリエーションを用いて、ジェネレータの範囲を広げる。
論文参考訳（メタデータ） (2022-05-31T09:01:15Z)
Solving Inverse Problems with a Flow-based Noise Model [100.18560761392692]
本研究では,従来の正規化フローを用いた画像逆問題について検討する。我々の定式化は、この解を測定値に条件付けされた画像の最大後値推定とみなす。提案手法の様々な逆問題に対する有効性について実験的に検証した。
論文参考訳（メタデータ） (2020-03-18T08:33:49Z)

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。