論文の概要: Quality Versus Sparsity in Image Recovery by Dictionary Learning Using Iterative Shrinkage
- arxiv url: http://arxiv.org/abs/2508.03492v1
- Date: Tue, 05 Aug 2025 14:23:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-06 18:18:56.012348
- Title: Quality Versus Sparsity in Image Recovery by Dictionary Learning Using Iterative Shrinkage
- Title（参考訳）: 反復収縮を用いた辞書学習による画像復元における品質めまいの相違
- Authors: Mohammadsadegh Khoshghiaferezaee, Moritz Krauth, Shima Shabani, Michael Breuß,
- Abstract要約: 本稿では,様々な最適化手法を用いて得られる解の空間性に焦点をあてる。
その結果, 使用法によって, 空間性は異なることが判明した。
得られた画像が学習データベースとは全く異なる場合でも、高い空間性は一般に回復品質を損なわないことを示す。
- 参考スコア（独自算出の注目度）: 0.13124513975412253
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Sparse dictionary learning (SDL) is a fundamental technique that is useful for many image processing tasks. As an example we consider here image recovery, where SDL can be cast as a nonsmooth optimization problem. For this kind of problems, iterative shrinkage methods represent a powerful class of algorithms that are subject of ongoing research. Sparsity is an important property of the learned solutions, as exactly the sparsity enables efficient further processing or storage. The sparsity implies that a recovered image is determined as a combination of a number of dictionary elements that is as low as possible. Therefore, the question arises, to which degree sparsity should be enforced in SDL in order to not compromise recovery quality. In this paper we focus on the sparsity of solutions that can be obtained using a variety of optimization methods. It turns out that there are different sparsity regimes depending on the method in use. Furthermore, we illustrate that high sparsity does in general not compromise recovery quality, even if the recovered image is quite different from the learning database.
- Abstract（参考訳）: スパース辞書学習(SDL)は多くの画像処理タスクに有用な基礎技術である。
例として、SDLを非滑らかな最適化問題としてキャストできるイメージリカバリについて考察する。
このような問題に対して、反復縮小法は、現在進行中の研究の対象となっている強力なアルゴリズムのクラスを表している。
スパーシティは学習したソリューションの重要な特性であり、スパーシティはより効率的な処理やストレージを可能にする。
空間性は、回復された画像が可能な限り低い多数の辞書要素の組み合わせとして決定されることを意味する。
したがって、回復の質を損なわないために、SDLにどの程度の間隔を適用すべきかという問題が発生する。
本稿では,様々な最適化手法を用いて得られる解の空間性に着目した。
その結果, 使用法によって, 空間性は異なることが判明した。
さらに,回復した画像が学習データベースとは全く異なる場合でも,高い空間性は一般に回復品質を損なわないことを示す。
関連論文リスト
- Sparse Dictionary Learning for Image Recovery by Iterative Shrinkage [0.1433758865948252]
画像回復のためのスパース辞書学習におけるスパース符号化問題について検討する。
縮小操作を用いて構築したいくつかの最先端スパース最適化手法について検討・比較する。
論文 参考訳（メタデータ） (2025-03-13T13:45:37Z) - Learning Efficient and Effective Trajectories for Differential Equation-based Image Restoration [59.744840744491945]
本稿では, この手法の軌道最適化を改良し, 復元品質と効率の両立に焦点をあてる。
反復サンプリングに伴うかなりの計算負担を軽減するため,コストを考慮したトラジェクトリー蒸留法を提案する。
提案アルゴリズムを用いて基礎拡散モデル(FLUX)を12Bパラメータで微調整し、7種類の画像復元タスクを処理する統一的なフレームワークを作成する。
論文 参考訳（メタデータ） (2024-10-07T07:46:08Z) - Timestep-Aware Diffusion Model for Extreme Image Rescaling [47.89362819768323]
本稿では,時間認識拡散モデル(TADM)と呼ばれる,画像再スケーリングのための新しいフレームワークを提案する。
TADMは、事前訓練されたオートエンコーダの潜在空間で再スケーリング操作を行う。
これは、事前訓練されたテキスト・ツー・イメージ拡散モデルによって学習された強力な自然画像の先行を効果的に活用する。
論文 参考訳（メタデータ） (2024-08-17T09:51:42Z) - An Efficient Approximate Method for Online Convolutional Dictionary
Learning [32.90534837348151]
トレーニングサンプルのスパース分解を取り入れた新しい近似OCDL法を提案する。
提案手法は,最先端のOCDLアルゴリズムの有効性を保ちながら,計算コストを大幅に削減する。
論文 参考訳（メタデータ） (2023-01-25T13:40:18Z) - Loop Unrolled Shallow Equilibrium Regularizer (LUSER) -- A
Memory-Efficient Inverse Problem Solver [26.87738024952936]
逆問題では、潜在的に破損し、しばしば不適切な測定結果から、いくつかの基本的な関心のシグナルを再構築することを目的としている。
浅い平衡正規化器(L)を用いたLUアルゴリズムを提案する。
これらの暗黙のモデルは、より深い畳み込みネットワークと同じくらい表現力があるが、トレーニング中にはるかにメモリ効率が良い。
論文 参考訳（メタデータ） (2022-10-10T19:50:37Z) - 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 Enriched Features for Fast Image Restoration and Enhancement [166.17296369600774]
本稿では,ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とする。
我々は、高解像度の空間的詳細を同時に保存しながら、複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。
提案手法は,デフォーカス・デブロアリング,画像デノイング,超解像,画像強調など,さまざまな画像処理タスクに対して,最先端の処理結果を実現する。
論文 参考訳（メタデータ） (2022-04-19T17:59:45Z) - Self-Supervised Face Image Restoration with a One-Shot Reference [6.113093749947422]
画像復元のための意味認識型潜時空間探索法(SAIR)を提案する。
与えられた参照画像から意味情報を明示的にモデル化することにより、SAIRは深刻な劣化した画像を確実に復元することができる。
論文 参考訳（メタデータ） (2022-03-06T16:52:28Z) - Learning Conditional Knowledge Distillation for Degraded-Reference Image
Quality Assessment [157.1292674649519]
劣化参照IQA(DR-IQA)という実用的な解を提案する。
DR-IQAはIRモデルの入力、劣化したイメージを参照として利用する。
私たちの結果は、フル参照設定のパフォーマンスに近いものもあります。
論文 参考訳（メタデータ） (2021-08-18T02:35:08Z) - LAPAR: Linearly-Assembled Pixel-Adaptive Regression Network for Single
Image Super-Resolution and Beyond [75.37541439447314]
単一画像超解像(SISR)は、低解像度(LR)画像を高解像度(HR)バージョンにアップサンプリングする根本的な問題を扱う。
本稿では,線形組立画素適応回帰ネットワーク (LAPAR) を提案する。
論文 参考訳（メタデータ） (2021-05-21T15:47:18Z) - On the Unreasonable Effectiveness of Centroids in Image Retrieval [0.1933681537640272]
本稿では,トレーニングと検索の両方において,平均セントロイド表現を用いることを提案する。
各クラスは単一の埋め込み – クラスセントロイド – で表現されるため、検索時間とストレージ要件の両方が大幅に削減される。
論文 参考訳（メタデータ） (2021-04-28T08:57:57Z) - Deep Unrolled Network for Video Super-Resolution [0.45880283710344055]
ビデオスーパーリゾリューション(VSR)は、対応する低リゾリューション(LR)バージョンから高リゾリューション(HR)画像のシーケンスを再構築することを目的としています。
伝統的に、VSR問題の解法は、画像形成や動きの仮定に関する事前知識を利用する反復アルゴリズムに基づいている。
ディープラーニング(DL)アルゴリズムは、大量の画像から空間パターンを効率的に学習できます。
未使用の最適化技術に基づく新しいVSRニューラルネットワークを提案し,その性能を議論する。
論文 参考訳（メタデータ） (2021-02-23T14:35:09Z) - Blind Face Restoration via Deep Multi-scale Component Dictionaries [75.02640809505277]
劣化した観測の復元過程をガイドするディープフェイス辞書ネットワーク(DFDNet)を提案する。
DFDNetは高品質な画像から知覚的に重要な顔成分のディープ辞書を生成する。
コンポーネントAdaINは、入力機能と辞書機能の間のスタイルの多様性を取り除くために利用される。
論文 参考訳（メタデータ） (2020-08-02T07:02:07Z)
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。