Fugu-MT 論文翻訳(概要): DEALing with Image Reconstruction: Deep Attentive Least Squares

論文の概要: DEALing with Image Reconstruction: Deep Attentive Least Squares

arxiv url: http://arxiv.org/abs/2502.04079v1
Date: Thu, 06 Feb 2025 13:43:28 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-07 14:33:17.465251
Title: DEALing with Image Reconstruction: Deep Attentive Least Squares
Title（参考訳）: 画像再構成によるDealing:Deep Attentive Least Squares
Authors: Mehrsa Pourya, Erich Kobler, Michael Unser, Sebastian Neumayer,
Abstract要約: 本稿では,古典的チコノフ正則化にインスパイアされたデータ駆動型再構成手法を提案する。本手法は2次問題の系列を解くことによって中間的再構成を反復的に洗練する。本手法は,先進的なプラグアンドプレイおよび学習正規化手法と同等の性能を実現する。
参考スコア（独自算出の注目度）: 15.746202603806852
License:
Abstract: State-of-the-art image reconstruction often relies on complex, highly parameterized deep architectures. We propose an alternative: a data-driven reconstruction method inspired by the classic Tikhonov regularization. Our approach iteratively refines intermediate reconstructions by solving a sequence of quadratic problems. These updates have two key components: (i) learned filters to extract salient image features, and (ii) an attention mechanism that locally adjusts the penalty of filter responses. Our method achieves performance on par with leading plug-and-play and learned regularizer approaches while offering interpretability, robustness, and convergent behavior. In effect, we bridge traditional regularization and deep learning with a principled reconstruction approach.
Abstract（参考訳）: 最先端の画像再構成は、しばしば複雑でパラメータ化された深いアーキテクチャに依存している。本稿では,古典的チホノフ正規化にインスパイアされたデータ駆動型再構成手法を提案する。本手法は2次問題の系列を解くことによって中間的再構成を反復的に洗練する。これらのアップデートには2つの重要なコンポーネントがある。 (i)有能な画像の特徴を抽出するフィルタを学習し、 (ii)フィルタ応答のペナルティを局所的に調整するアテンション機構。本手法は,可読性,頑健性,収束性を実現しつつ,先進的なプラグアンドプレイおよび学習正規化手法と同等の性能を実現する。本研究は,従来の正規化と深層学習を原則的再構築アプローチで橋渡しする。

関連論文リスト

Learning of Patch-Based Smooth-Plus-Sparse Models for Image Reconstruction [14.93489065234423]
最適化を二段階問題として定式化する。我々は,デノナイズ,超高分解能,圧縮型磁気共鳴イメージングの手法について検討した。
論文参考訳（メタデータ） (2024-12-17T16:34:32Z)
ReMatching Dynamic Reconstruction Flow [55.272357926111454]
本稿では,動的再構成モデルに変形前処理を組み込むことにより,一般化品質の向上を目的としたReMatchingフレームワークを提案する。このフレームワークは高度に適応可能であり、様々な動的表現に適用できる。合成シーンと実世界のダイナミックシーンの両方を含む一般的なベンチマークの評価は、現在の最先端モデルの再構築精度を明らかに向上させたことを示す。
論文参考訳（メタデータ） (2024-11-01T16:09:33Z)
Iteratively Refined Image Reconstruction with Learned Attentive Regularizers [14.93489065234423]
本稿では,ディープラーニングの力を活用した画像再構成のための正規化手法を提案する。これは一連の凸問題の最小化に対応するためである。解釈可能性、理論的保証、信頼性、パフォーマンスの両立を約束するバランスを提供します。
論文参考訳（メタデータ） (2024-07-09T07:22:48Z)
Nest-DGIL: Nesterov-optimized Deep Geometric Incremental Learning for CS Image Reconstruction [9.54126979075279]
第二次ネステロフ近位勾配最適化に基づく深層幾何学的漸進学習フレームワークを提案する。再建フレームワークは, 一般的な線形再構成, カスケード幾何的漸進的復元, ネステロフ加速度, 後処理の4つのモジュールに分解される。
論文参考訳（メタデータ） (2023-08-06T15:47:03Z)
Rank-Enhanced Low-Dimensional Convolution Set for Hyperspectral Image Denoising [50.039949798156826]
本稿では,ハイパースペクトル(HS)画像の難解化問題に対処する。ランク付き低次元畳み込み集合(Re-ConvSet)を提案する。次に、Re-ConvSetを広く使われているU-Netアーキテクチャに組み込んで、HS画像復号法を構築する。
論文参考訳（メタデータ） (2022-07-09T13:35:12Z)
Learning Discriminative Shrinkage Deep Networks for Image Deconvolution [122.79108159874426]
本稿では,これらの用語を暗黙的にモデル化する識別的縮小関数を学習することで,効果的に非盲検デコンボリューション手法を提案する。実験結果から,提案手法は最先端の手法に対して,効率と精度の点で好適に動作することがわかった。
論文参考訳（メタデータ） (2021-11-27T12:12:57Z)
Deep Reparametrization of Multi-Frame Super-Resolution and Denoising [167.42453826365434]
本稿では,多フレーム画像復元作業によく用いられる最大後部定式化の深部再パラメータ化を提案する。提案手法は,学習された誤差メトリックと,対象画像の潜在表現を導入することによって導かれる。我々は、バースト復調およびバースト超解像データセットに関する包括的な実験を通して、我々のアプローチを検証する。
論文参考訳（メタデータ） (2021-08-18T17:57:02Z)
End-to-end reconstruction meets data-driven regularization for inverse problems [2.800608984818919]
本稿では,不適切な逆問題に対するエンド・ツー・エンドの再構成演算子を学習するための教師なしアプローチを提案する。提案手法は,古典的変分フレームワークと反復的アンローリングを組み合わせたものである。我々は,X線CT(Computerd tomography)の例で,最先端の教師なし手法よりも優れていることを示す。
論文参考訳（メタデータ） (2021-06-07T12:05:06Z)
Learning local regularization for variational image restoration [3.5557219875516655]
本稿では,一般的な画像復元問題を解決するための局所正規化モデルを学習するためのフレームワークを提案する。この正規化器は完全な畳み込みニューラルネットワークで定義され、小さな画像パッチに対応する受容野を通して画像を見る。正規化器は、ワッサーシュタイン生成逆数ネットワークに基づくエネルギーを用いて、クリーンパッチと劣化パッチの未ペア分布を批判するものとして学習される。
論文参考訳（メタデータ） (2021-02-11T17:55:08Z)
Shared Prior Learning of Energy-Based Models for Image Reconstruction [69.72364451042922]
本研究では,地中真理データを含まないトレーニングに特化して設計された画像再構成のための新しい学習ベースフレームワークを提案する。基底真理データがない場合には、損失関数をパッチベースのワッサーシュタイン関数に変更する。共用事前学習では、上記の最適制御問題と正規化器の共用学習パラメータを同時に最適化する。
論文参考訳（メタデータ） (2020-11-12T17:56:05Z)
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。