論文の概要: Learning Regularization Functionals for Inverse Problems: A Comparative Study
- arxiv url: http://arxiv.org/abs/2510.01755v1
- Date: Thu, 02 Oct 2025 07:42:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-03 16:59:21.043921
- Title: Learning Regularization Functionals for Inverse Problems: A Comparative Study
- Title（参考訳）: 逆問題に対する正規化関数の学習 : 比較研究
- Authors: Johannes Hertrich, Hok Shing Wong, Alexander Denker, Stanislas Ducotterd, Zhenghan Fang, Markus Haltmeier, Željko Kereta, Erich Kobler, Oscar Leong, Mohammad Sadegh Salehi, Carola-Bibiane Schönlieb, Johannes Schwab, Zakhar Shumaylov, Jeremias Sulam, German Shâma Wache, Martin Zach, Yasi Zhang, Matthias J. Ehrhardt, Sebastian Neumayer,
- Abstract要約: 画像の逆問題を解決するための様々な学習された正規化フレームワークが登場した。
これらはフレキシブルなモデリングと数学的洞察を提供する。
利用可能なコードを共通のフレームワークに集め、統一することで、このギャップに対処します。
- 参考スコア（独自算出の注目度）: 57.289041896491206
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, a variety of learned regularization frameworks for solving inverse problems in imaging have emerged. These offer flexible modeling together with mathematical insights. The proposed methods differ in their architectural design and training strategies, making direct comparison challenging due to non-modular implementations. We address this gap by collecting and unifying the available code into a common framework. This unified view allows us to systematically compare the approaches and highlight their strengths and limitations, providing valuable insights into their future potential. We also provide concise descriptions of each method, complemented by practical guidelines.
- Abstract（参考訳）: 近年,画像の逆問題に対する様々な学習規則化フレームワークが出現している。
これらはフレキシブルなモデリングと数学的洞察を提供する。
提案手法はアーキテクチャ設計とトレーニング戦略が異なるため,非モジュール実装による直接比較は困難である。
利用可能なコードを共通のフレームワークに集め、統一することで、このギャップに対処します。
この統一された視点は、アプローチを体系的に比較し、その強みと限界を強調し、将来の可能性に関する貴重な洞察を提供することができます。
また,実践的ガイドラインによって補完された各手法の簡潔な記述も提供する。
関連論文リスト
- A Survey on Prompt Tuning [32.4489985319054]
既存のアプローチを,ダイレクト・プロンプト学習とトランスファー学習の2つのカテゴリに分類する。
それぞれの手法について、手法設計、革新、洞察、利点、欠点を分析します。
トレーニングの堅牢性向上と適用範囲の拡大における今後の方向性について論じる。
論文 参考訳（メタデータ） (2025-07-08T15:24:27Z) - Supervised Fine-Tuning as Inverse Reinforcement Learning [8.044033685073003]
LLM(Large Language Models)の整合性に対する一般的なアプローチは、一般的に人間やAIのフィードバックに依存します。
本研究では,このようなデータセットの有効性に疑問を呈し,専門家による実演との整合性がより現実的であることを証明した様々なシナリオを探索する。
論文 参考訳（メタデータ） (2024-03-18T17:52:57Z) - Deep Generative Models for Decision-Making and Control [4.238809918521607]
この論文の2つの目的は、これらの欠点の理由を研究し、未解決問題に対する解決策を提案することである。
本稿では、ビームサーチを含む現代の生成モデリングツールボックスからの推論手法を、強化学習問題のための実行可能な計画戦略として再解釈する方法について述べる。
論文 参考訳（メタデータ） (2023-06-15T01:54:30Z) - Model-Based Deep Learning: On the Intersection of Deep Learning and
Optimization [101.32332941117271]
決定アルゴリズムは様々なアプリケーションで使われている。
数理モデルに頼らずにデータから調整された高度パラメトリックアーキテクチャを使用するディープラーニングアプローチが、ますます人気が高まっている。
モデルに基づく最適化とデータ中心のディープラーニングは、しばしば異なる規律とみなされる。
論文 参考訳（メタデータ） (2022-05-05T13:40:08Z) - A Survey on Deep Semi-supervised Learning [51.26862262550445]
まず,既存の手法を分類した深層半指導学習の分類法を提案する。
次に、損失の種類、貢献度、アーキテクチャの違いの観点から、これらのメソッドを詳細に比較します。
論文 参考訳（メタデータ） (2021-02-28T16:22:58Z) - Behavior Priors for Efficient Reinforcement Learning [97.81587970962232]
本稿では,情報とアーキテクチャの制約を,確率論的モデリング文献のアイデアと組み合わせて行動の事前学習を行う方法について考察する。
このような潜伏変数の定式化が階層的強化学習(HRL)と相互情報と好奇心に基づく目的との関係について論じる。
シミュレーションされた連続制御領域に適用することで,フレームワークの有効性を実証する。
論文 参考訳（メタデータ） (2020-10-27T13:17:18Z) - Reinforcement Learning as Iterative and Amortised Inference [62.997667081978825]
我々は、この制御を推論フレームワークとして使用し、償却および反復推論に基づく新しい分類スキームを概説する。
この観点から、比較的探索されていないアルゴリズム設計空間の一部を特定できることを示す。
論文 参考訳（メタデータ） (2020-06-13T16:10:03Z) - Taxonomy of Dual Block-Coordinate Ascent Methods for Discrete Energy
Minimization [96.1052289276254]
離散的グラフィカルモデルにおける最大姿勢推定問題と、二重ブロック座標法に基づく解法について考察する。
既存のすべてのソルバをひとつのフレームワークにマッピングし、設計原則をより深く理解できるようにします。
論文 参考訳（メタデータ） (2020-04-16T15:49:13Z)
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。