Fugu-MT 論文翻訳(概要): From the Gradient-Step Denoiser to the Proximal Denoiser and their associated convergent Plug-and-Play algorithms

論文の概要: From the Gradient-Step Denoiser to the Proximal Denoiser and their associated convergent Plug-and-Play algorithms

arxiv url: http://arxiv.org/abs/2509.09793v1
Date: Thu, 11 Sep 2025 18:53:08 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-15 16:03:07.896714
Title: From the Gradient-Step Denoiser to the Proximal Denoiser and their associated convergent Plug-and-Play algorithms
Title（参考訳）: グラディエント・ステップ・デノイザから近位デノイザとその関連収束プラグ・アンド・プレイアルゴリズムへ
Authors: Vincent Herfeld, Baudouin Denis de Senneville, Arthur Leclaire, Nicolas Papadakis,
Abstract要約: グラディエント・ステップ・デノイザとその使用法をPlug-and-Playアルゴリズムで解析する。最適化アルゴリズムのPlug-and-Playパラダイムは、初期画像の近接演算子や勾配降下演算子を置き換えるために棚のデノイザを使用する。
参考スコア（独自算出の注目度）: 8.002203663865643
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper we analyze the Gradient-Step Denoiser and its usage in Plug-and-Play algorithms. The Plug-and-Play paradigm of optimization algorithms uses off the shelf denoisers to replace a proximity operator or a gradient descent operator of an image prior. Usually this image prior is implicit and cannot be expressed, but the Gradient-Step Denoiser is trained to be exactly the gradient descent operator or the proximity operator of an explicit functional while preserving state-of-the-art denoising capabilities.
Abstract（参考訳）: 本稿では,Gradient-Step DenoiserとそのPlug-and-Playアルゴリズムにおける使用法について分析する。最適化アルゴリズムのPlug-and-Playパラダイムは、初期画像の近接演算子や勾配降下演算子を置き換えるために棚のデノイザを使用する。通常、この画像は暗黙的であり、表現できないが、グラディエント・ステップ・デノイザは、最先端の復調能力を維持しながら、明示的な関数の勾配降下演算子または近接演算子であるように訓練されている。

関連論文リスト

Gradient Normalization Provably Benefits Nonconvex SGD under Heavy-Tailed Noise [60.92029979853314]
重み付き雑音下でのグラディエントDescence(SGD)の収束を確実にする上での勾配正規化とクリッピングの役割について検討する。我々の研究は、重尾雑音下でのSGDの勾配正規化の利点を示す最初の理論的証拠を提供する。我々は、勾配正規化とクリッピングを取り入れた加速SGD変種を導入し、さらに重み付き雑音下での収束率を高めた。
論文参考訳（メタデータ） (2024-10-21T22:40:42Z)
Adaptive Strategies in Non-convex Optimization [5.279475826661643]
アルゴリズムは、そのようなパラメータの事前知識を必要としない場合、あるパラメータに適応すると言われている。この論文は3つのシナリオにおける適応アルゴリズムの研究を示す。
論文参考訳（メタデータ） (2023-06-17T06:52:05Z)
A Unified Framework for Implicit Sinkhorn Differentiation [58.56866763433335]
暗黙の微分によってシンクホーン層の解析勾配を求めるアルゴリズムを提案する。特にGPUメモリなどのリソースが不足している場合には,計算効率が向上する。
論文参考訳（メタデータ） (2022-05-13T14:45:31Z)
Learned Gradient of a Regularizer for Plug-and-Play Gradient Descent [37.41458921829744]
Plug-and-Playフレームワークは、事前の高度なイメージをアルゴリズムに統合することを可能にする。 Denoising (RED)アルゴリズムによる正規化は、画像復元において画期的な方法の2つの例である。正規化器の勾配に対応するネットワークとともにデノイザを訓練することが可能であることを示す。
論文参考訳（メタデータ） (2022-04-29T08:33:33Z)
Proximal denoiser for convergent plug-and-play optimization with nonconvex regularization [7.0226402509856225]
Plug-and-Play ()メソッドは、ニューラルネットワーク演算子をデノナイジング演算子に置き換えることで、アルゴリズムによって、近位姿勢の逆問題を解決する。このデノイザが実際に勾配関数に対応していることが示される。
論文参考訳（メタデータ） (2022-01-31T14:05:20Z)
Gradient Step Denoiser for convergent Plug-and-Play [5.629161809575015]
プラグイン・アンド・プレイの手法は、様々な画像問題に対して大きな視覚的パフォーマンスをもたらす可能性がある。半四進法に基づく新しいタイプのPlug-and-Play法を提案する。実験により、パフォーマンスを損なうことなく、そのような深い嫌悪者を学ぶことが可能であることが示されている。
論文参考訳（メタデータ） (2021-10-07T07:11:48Z)
Preconditioned Plug-and-Play ADMM with Locally Adjustable Denoiser for Image Restoration [54.23646128082018]
非定常雑音分散のパラメータ化が可能なデノイザを使用するために、プラグアンドプレイの最適化の概念を拡張した。画素調整可能なデノイザは,適切なプレコンディショニング戦略とともに,いくつかのアプリケーションに対して,プラグアンドプレイADMMアプローチをさらに改善できることを示す。
論文参考訳（メタデータ） (2021-10-01T15:46:35Z)
An Accelerated Variance-Reduced Conditional Gradient Sliding Algorithm for First-order and Zeroth-order Optimization [111.24899593052851]
条件勾配アルゴリズム(Frank-Wolfeアルゴリズムとも呼ばれる)は、最近、機械学習コミュニティで人気を取り戻している。 ARCSは、ゼロ階最適化において凸問題を解く最初のゼロ階条件勾配スライディング型アルゴリズムである。 1次最適化では、ARCSの収束結果は、勾配クエリのオラクルの数で、従来のアルゴリズムよりも大幅に優れていた。
論文参考訳（メタデータ） (2021-09-18T07:08:11Z)
Self-Tuning Stochastic Optimization with Curvature-Aware Gradient Filtering [53.523517926927894]
サンプルごとのHessian-vector積と勾配を用いて、自己チューニングの二次構造を構築する。モデルに基づく手続きが雑音勾配設定に収束することを証明する。これは自己チューニング二次体を構築するための興味深いステップである。
論文参考訳（メタデータ） (2020-11-09T22:07:30Z)
Variance Reduction with Sparse Gradients [82.41780420431205]
SVRGやSpiderBoostのような分散還元法では、大きなバッチ勾配と小さなバッチ勾配が混在している。我々は、新しい空間演算子:ランダムトップk演算子を導入する。我々のアルゴリズムは、画像分類、自然言語処理、スパース行列分解など様々なタスクにおいて、一貫してSpiderBoostより優れています。
論文参考訳（メタデータ） (2020-01-27T08:23:58Z)

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。