論文の概要: One-bit Compressed Sensing using Generative Models

• arxiv url: http://arxiv.org/abs/2502.12762v1
• Date: Tue, 18 Feb 2025 11:28:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-19 14:05:40.077866
• Title: One-bit Compressed Sensing using Generative Models
• Title（参考訳）: 生成モデルを用いた1ビット圧縮センシング
• Authors: Swatantra Kafle, Geethu Joseph, Pramod K. Varshney,
• Abstract要約: 本稿では,深層学習に基づく再構成アルゴリズムを用いた1ビット圧縮センシングの古典的問題に対処する。 事前学習されたニューラルネットワークは、低次元の潜在空間から高次元のスパースベクトル集合への写像を学ぶ。 提案アルゴリズムは、生成モデルが、疎性を超えた信号に関する付加的な構造情報を学習できるため、優れた再構成性能を提供する。
• 参考スコア（独自算出の注目度）: 20.819739287436317
• License:
• Abstract: This paper addresses the classical problem of one-bit compressed sensing using a deep learning-based reconstruction algorithm that leverages a trained generative model to enhance the signal reconstruction performance. The generator, a pre-trained neural network, learns to map from a low-dimensional latent space to a higher-dimensional set of sparse vectors. This generator is then used to reconstruct sparse vectors from their one-bit measurements by searching over its range. The presented algorithm provides an excellent reconstruction performance because the generative model can learn additional structural information about the signal beyond sparsity. Furthermore, we provide theoretical guarantees on the reconstruction accuracy and sample complexity of the algorithm. Through numerical experiments using three publicly available image datasets, MNIST, Fashion-MNIST, and Omniglot, we demonstrate the superior performance of the algorithm compared to other existing algorithms and show that our algorithm can recover both the amplitude and the direction of the signal from one-bit measurements.
• Abstract（参考訳）: 本稿では,信号再構成性能を向上させるために,訓練された生成モデルを活用する深層学習に基づく再構成アルゴリズムを用いた1ビット圧縮センシングの古典的問題に対処する。 事前学習されたニューラルネットワークであるジェネレータは、低次元の潜在空間から高次元のスパースベクトル集合への写像を学ぶ。 このジェネレータは、その範囲を探索することで、その1ビットの測定からスパースベクトルを再構築する。 提案アルゴリズムは、生成モデルが、疎性を超えた信号に関する付加的な構造情報を学習できるため、優れた再構成性能を提供する。 さらに,アルゴリズムの再構成精度とサンプルの複雑さに関する理論的保証を提供する。 MNIST,Fashion-MNIST,Omniglotの3つの公開画像データセットを用いた数値実験により,既存のアルゴリズムと比較してアルゴリズムの優れた性能を示し,そのアルゴリズムが1ビット計測から信号の振幅と方向の両方を復元可能であることを示す。

関連論文リスト

• Optimality of Approximate Message Passing Algorithms for Spiked Matrix Models with Rotationally Invariant Noise [12.64438771302935]
  本研究では,信号に加法的回転不変雑音を付加して発生する観測行列からランク1信号行列を推定する問題について検討する。 この問題に対する近似メッセージパッシングアルゴリズムの新たなクラスを開発し、高次元極限におけるそれらのダイナミクスの簡易かつ簡潔な特徴付けを提供する。
  論文  参考訳（メタデータ） (2024-05-28T11:42:51Z)
• Compressed Sensing of Generative Sparse-latent (GSL) Signals [9.00058212634219]
  本研究では、ニューラルネットワークに基づく生成モデルを持つ圧縮センシング(CS)システムにおいて、周囲信号の再構成を検討する。 生成信号としての周囲信号はスパース遅延入力を生成する。
  論文  参考訳（メタデータ） (2023-10-16T12:49:33Z)
• Outlier Detection Using Generative Models with Theoretical Performance Guarantees [11.985270449383272]
  出力器の存在下で生成モデルを用いて信号の復元を理論的に保証する。 この結果は、線形生成ニューラルネットワークと、任意の数の層を持つ非線形生成ニューラルネットワークの両方に適用できる。
  論文  参考訳（メタデータ） (2023-10-16T01:25:34Z)
• An Efficient Algorithm for Clustered Multi-Task Compressive Sensing [60.70532293880842]
  クラスタ化マルチタスク圧縮センシングは、複数の圧縮センシングタスクを解決する階層モデルである。 このモデルに対する既存の推論アルゴリズムは計算コストが高く、高次元ではうまくスケールしない。 本稿では,これらの共分散行列を明示的に計算する必要をなくし,モデル推論を大幅に高速化するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-09-30T15:57:14Z)
• 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)
• A Recursively Recurrent Neural Network (R2N2) Architecture for Learning Iterative Algorithms [64.3064050603721]
  本研究では,リカレントニューラルネットワーク (R2N2) にランゲ・クッタニューラルネットワークを一般化し,リカレントニューラルネットワークを最適化した反復アルゴリズムの設計を行う。 本稿では, 線形方程式系に対するクリロフ解法, 非線形方程式系に対するニュートン・クリロフ解法, 常微分方程式に対するルンゲ・クッタ解法と類似の繰り返しを計算問題クラスの入力・出力データに対して提案した超構造内における重みパラメータの正規化について述べる。
  論文  参考訳（メタデータ） (2022-11-22T16:30:33Z)
• WNet: A data-driven dual-domain denoising model for sparse-view computed tomography with a trainable reconstruction layer [3.832032989515628]
  スパース・ビュー・アーティファクト・デノナイズのためのトレーニング可能な再構成層を含むデータ駆動型デュアルドメイン・デノナイズ・モデルWNetを提案する。 我々は2つの臨床的に関連のあるデータセットを用いてネットワークをトレーニングし、その結果を3種類のスパースビューCTと再構成アルゴリズムと比較した。
  論文  参考訳（メタデータ） (2022-07-01T13:17:01Z)
• Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for sparse recover [87.28082715343896]
  我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。 我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。 提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
  論文  参考訳（メタデータ） (2021-10-20T06:15:45Z)
• Learned Block Iterative Shrinkage Thresholding Algorithm for Photothermal Super Resolution Imaging [52.42007686600479]
  深層ニューラルネットワークに展開する反復アルゴリズムを用いて,学習したブロックスパース最適化手法を提案する。 本稿では、正規化パラメータの選択を学ぶことができる学習ブロック反復収縮しきい値アルゴリズムを使用することの利点を示す。
  論文  参考訳（メタデータ） (2020-12-07T09:27:16Z)
• Nearly Linear Row Sampling Algorithm for Quantile Regression [54.75919082407094]
  データの次元にほぼ線形なサンプル複雑性を持つ量子化損失関数の行サンプリングアルゴリズムを提案する。 行サンプリングアルゴリズムに基づいて、量子レグレッションの最も高速なアルゴリズムと、バランスの取れた有向グラフのグラフスペーシフィケーションアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-15T13:40:07Z)
• Sample Complexity Bounds for 1-bit Compressive Sensing and Binary Stable Embeddings with Generative Priors [52.06292503723978]
  生成モデルを用いた圧縮センシングの進歩により, 生成モデルを用いた1ビット圧縮センシングの問題点を考察した。 まずノイズのない1ビット測定を考察し, ガウス測度に基づく近似回復のためのサンプル複雑性境界を提供する。 また,リプシッツ連続生成モデルを用いた1ビット圧縮センシングにも有効であることを示すため,評価誤差と雑音に対する再構成の堅牢性を示すBinary $epsilon$-Stable Embedding特性を実証した。
  論文  参考訳（メタデータ） (2020-02-05T09:44:10Z)

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。