論文の概要: Equivariant Splitting: Self-supervised learning from incomplete data

• arxiv url: http://arxiv.org/abs/2510.00929v2
• Date: Thu, 02 Oct 2025 15:27:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.60145
• Title: Equivariant Splitting: Self-supervised learning from incomplete data
• Title（参考訳）: Equivariant Splitting:不完全データからの自己教師型学習
• Authors: Victor Sechaud, Jérémy Scanvic, Quentin Barthélemy, Patrice Abry, Julián Tachella,
• Abstract要約: 本研究では,単一不完全観測モデルを用いて測定結果が観測される難易度設定のために考案された,新たな自己教師型学習戦略を提案する。 自己監督型分割損失と同変型再構成ネットワークの組み合わせは,教師型分割損失と同程度に最小化できることを示す。
• 参考スコア（独自算出の注目度）: 11.641086974203924
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Self-supervised learning for inverse problems allows to train a reconstruction network from noise and/or incomplete data alone. These methods have the potential of enabling learning-based solutions when obtaining ground-truth references for training is expensive or even impossible. In this paper, we propose a new self-supervised learning strategy devised for the challenging setting where measurements are observed via a single incomplete observation model. We introduce a new definition of equivariance in the context of reconstruction networks, and show that the combination of self-supervised splitting losses and equivariant reconstruction networks results in the same minimizer in expectation as the one of a supervised loss. Through a series of experiments on image inpainting, accelerated magnetic resonance imaging, and compressive sensing, we demonstrate that the proposed loss achieves state-of-the-art performance in settings with highly rank-deficient forward models.
• Abstract（参考訳）: 逆問題に対する自己教師付き学習は、ノイズや不完全なデータから再構成ネットワークを訓練することができる。 これらの手法は、訓練のための地道参照を得ることが高価あるいは不可能である場合に、学習ベースのソリューションを可能にする可能性がある。 本稿では,1つの不完全観測モデルを用いて測定結果が観測される難易度設定のために考案された,新たな自己教師型学習戦略を提案する。 再構成ネットワークの文脈における等価性の新たな定義を導入し、自己監督型分割損失と同変型再構成ネットワークの組み合わせにより、教師型損失の期待値と同じ最小値が得られることを示す。 画像塗布, 加速磁気共鳴イメージング, 圧縮センシングの一連の実験を通じて, 提案した損失は, 高階調の前方モデルを用いて, 最先端の性能を達成できることを実証した。

関連論文リスト

• Sparsity-Driven Parallel Imaging Consistency for Improved Self-Supervised MRI Reconstruction [2.8237889121096034]
  本稿では,PD-DLネットワークを慎重に設計した摂動を用いてトレーニングする方法を提案する。 提案手法は,アーティファクトのエイリアスを効果的に低減し,高加速速度での雑音増幅を緩和することを示す。
  論文  参考訳（メタデータ） (2025-05-30T02:11:25Z)
• Equivariance-based self-supervised learning for audio signal recovery from clipped measurements [13.829249782527363]
  クリップ計測から音声信号を復元する非線形逆問題に対する自己教師型学習について検討した。 提案手法は, 自己教師付き自己教師型復号法の性能を, 完全教師付き学習と良好に比較できることを示す。
  論文  参考訳（メタデータ） (2024-09-03T06:12:01Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Test-time Adaptation with Slot-Centric Models [63.981055778098444]
  Slot-TTAは、半教師付きシーン分解モデルであり、シーンごとのテスト時間は、再構成やクロスビュー合成の目的に対する勾配降下を通じて適用される。 我々は、最先端の監視フィードフォワード検出器と代替テスト時間適応法に対して、配電性能が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2022-03-21T17:59:50Z)
• On Covariate Shift of Latent Confounders in Imitation and Reinforcement Learning [69.48387059607387]
  模擬・強化学習において,未観測の共同設立者と専門家データを併用することの問題点を考察する。 我々は、外部報酬を伴わずに、確立した専門家データから学ぶことの限界を分析する。 我々は,支援医療とレコメンデーションシステムシミュレーションの課題に挑戦する上で,我々の主張を実証的に検証する。
  論文  参考訳（メタデータ） (2021-10-13T07:31:31Z)
• 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)
• Joint learning of variational representations and solvers for inverse problems with partially-observed data [13.984814587222811]
  本稿では,教師付き環境において,逆問題に対する実際の変分フレームワークを学習するためのエンドツーエンドフレームワークを設計する。 変動コストと勾配に基づく解法はどちらも、後者の自動微分を用いたニューラルネットワークとして記述される。 これにより、データ駆動による変分モデルの発見につながる。
  論文  参考訳（メタデータ） (2020-06-05T19:53:34Z)
• When Relation Networks meet GANs: Relation GANs with Triplet Loss [110.7572918636599]
  GAN(Generative Adversarial Network)の学習安定性はいまだに悩みの種である 本稿では,判別器のための関係ネットワークアーキテクチャについて検討し,より優れた一般化と安定性を実現する三重項損失を設計する。 ベンチマークデータセットの実験により、提案された関係判別器と新たな損失は、可変視覚タスクに大幅な改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2020-02-24T11:35:28Z)

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。