論文の概要: From Image Denoisers to Regularizing Imaging Inverse Problems: An Overview

• arxiv url: http://arxiv.org/abs/2509.03475v1
• Date: Wed, 03 Sep 2025 16:54:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 21:40:46.602005
• Title: From Image Denoisers to Regularizing Imaging Inverse Problems: An Overview
• Title（参考訳）: 画像記述器から画像逆問題正則化へ:概観
• Authors: Hong Ye Tan, Subhadip Mukherjee, Junqi Tang,
• Abstract要約: 逆問題は現代のイメージング科学の中心にあり、医療画像、リモートセンシング、顕微鏡などの分野に広く応用されている。 近年、データ駆動の正則化器がますます使われるように、イメージングの逆問題解決のパラダイムシフトが見られた。 データ駆動型正規化の顕著なアプローチは、反復的画像再構成アルゴリズムにおいて、学習された画像復号器を暗黙の先行として使用することである。
• 参考スコア（独自算出の注目度）: 10.381324512554835
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inverse problems lie at the heart of modern imaging science, with broad applications in areas such as medical imaging, remote sensing, and microscopy. Recent years have witnessed a paradigm shift in solving imaging inverse problems, where data-driven regularizers are used increasingly, leading to remarkably high-fidelity reconstruction. A particularly notable approach for data-driven regularization is to use learned image denoisers as implicit priors in iterative image reconstruction algorithms. This survey presents a comprehensive overview of this powerful and emerging class of algorithms, commonly referred to as plug-and-play (PnP) methods. We begin by providing a brief background on image denoising and inverse problems, followed by a short review of traditional regularization strategies. We then explore how proximal splitting algorithms, such as the alternating direction method of multipliers (ADMM) and proximal gradient descent (PGD), can naturally accommodate learned denoisers in place of proximal operators, and under what conditions such replacements preserve convergence. The role of Tweedie's formula in connecting optimal Gaussian denoisers and score estimation is discussed, which lays the foundation for regularization-by-denoising (RED) and more recent diffusion-based posterior sampling methods. We discuss theoretical advances regarding the convergence of PnP algorithms, both within the RED and proximal settings, emphasizing the structural assumptions that the denoiser must satisfy for convergence, such as non-expansiveness, Lipschitz continuity, and local homogeneity. We also address practical considerations in algorithm design, including choices of denoiser architecture and acceleration strategies.
• Abstract（参考訳）: 逆問題は現代のイメージング科学の中心にあり、医療画像、リモートセンシング、顕微鏡などの分野に広く応用されている。 近年、画像逆問題におけるパラダイムシフトが見られ、データ駆動型正規化器がますます使われるようになり、非常に高忠実な再構成がもたらされた。 データ駆動型正規化の特に顕著なアプローチは、反復的画像再構成アルゴリズムにおいて、学習された画像復号器を暗黙の先行として使用することである。 本調査では, プラグイン・アンド・プレイ法 (PnP) と呼ばれる, この強力で新しいアルゴリズムについて概観する。 まず、画像の認知と逆問題に関する簡単な背景と、従来の正規化戦略の短いレビューから始めます。 そこで我々は,乗算器の交互方向法 (ADMM) や近位勾配降下法 (PGD) などの近位分割アルゴリズムが,近位演算子の代わりに自然に学習した復調器を適応し,置換器が収束を維持する条件について検討する。 最適ガウスデノイザの接続とスコア推定におけるツイーディの公式の役割を論じ, 正規化・バイ・デノライズ(RED)と, より最近の拡散法に基づく後方サンプリング法の基礎を築いた。 我々は,PnPアルゴリズムの収束に関する理論的進歩について論じ,非拡張性,リプシッツ連続性,局所同質性といった,デノイザが収束のために満たさなければならない構造的仮定を強調した。 また,デノイザアーキテクチャやアクセラレーション戦略の選択など,アルゴリズム設計の実践的考察についても検討する。

関連論文リスト

• Plug-and-Play image restoration with Stochastic deNOising REgularization [8.678250057211368]
  SNORE(Denoising Regularization)と呼ばれる新しいフレームワークを提案する。 SNOREは、適切なレベルのノイズのある画像のみにデノイザを適用する。 これは明示的な正則化に基づいており、逆問題を解決するための降下につながる。
  論文  参考訳（メタデータ） (2024-02-01T18:05:47Z)
• Convergent regularization in inverse problems and linear plug-and-play denoisers [3.759634359597638]
  Plug-and-play () denoisingは、逆画像復号器を用いて画像の問題を解くための一般的なフレームワークである。 可算収束正則化スキームが証明収束正則化スキームであるかどうかというような測定におけるノイズレベルがゼロになるので、収束解の性質についてはあまり分かっていない。 線形デノイザでは、明らかに正則化関数に対するデノイザの暗黙的な正則化が収束正則化スキームにつながることを示す。
  論文  参考訳（メタデータ） (2023-07-18T17:16:08Z)
• Poisson-Gaussian Holographic Phase Retrieval with Score-based Image Prior [19.231581775644617]
  本稿では,スコア関数を先行生成関数とする高速化されたWirtinger Flow (AWF) を用いた新しいアルゴリズム"AWFS"を提案する。 PRの対数様関数の勾配を計算し、リプシッツ定数を決定する。 本稿では,提案アルゴリズムの臨界点収束保証を確立する理論的解析を行う。
  論文  参考訳（メタデータ） (2023-05-12T18:08:47Z)
• Decomposed Diffusion Sampler for Accelerating Large-Scale Inverse Problems [64.29491112653905]
  本稿では, 拡散サンプリング法とクリロフ部分空間法を相乗的に組み合わせた, 新規で効率的な拡散サンプリング手法を提案する。 具体的には、ツイーディの公式による分母化標本における接空間がクリロフ部分空間を成すならば、その分母化データによるCGは、接空間におけるデータの整合性更新を確実に維持する。 提案手法は,従来の最先端手法よりも80倍以上高速な推論時間を実現する。
  論文  参考訳（メタデータ） (2023-03-10T07:42:49Z)
• 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 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)
• Depth image denoising using nuclear norm and learning graph model [107.51199787840066]
  グループベース画像復元法は,パッチ間の類似性収集に有効である。 各パッチに対して、検索ウィンドウ内で最もよく似たパッチを見つけ、グループ化する。 提案手法は, 主観的, 客観的両面において, 最先端の復調法よりも優れている。
  論文  参考訳（メタデータ） (2020-08-09T15:12:16Z)

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。