論文の概要: DLMMPR:Deep Learning-based Measurement Matrix for Phase Retrieval

• arxiv url: http://arxiv.org/abs/2511.12556v1
• Date: Sun, 16 Nov 2025 11:23:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:24.313626
• Title: DLMMPR:Deep Learning-based Measurement Matrix for Phase Retrieval
• Title（参考訳）: DLMMPR:位相検索のための深層学習に基づく計測行列
• Authors: Jing Liu, Bing Guo, Ren Zhu,
• Abstract要約: 本稿では,位相検索のためのDeep Learning-based Measurement Matrix for Phase Retrieval (DLMMPR)アルゴリズムを提案する。 提案手法はPSNRおよびSSIMにおいてかなりの利得を得られ,その優位性を裏付けるものである。
• 参考スコア（独自算出の注目度）: 7.023047335818579
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This paper pioneers the integration of learning optimization into measurement matrix design for phase retrieval. We introduce the Deep Learning-based Measurement Matrix for Phase Retrieval (DLMMPR) algorithm, which parameterizes the measurement matrix within an end-to-end deep learning architecture. Synergistically augmented with subgradient descent and proximal mapping modules for robust recovery, DLMMPR's efficacy is decisively confirmed through comprehensive empirical validation across diverse noise regimes. Benchmarked against DeepMMSE and PrComplex, our method yields substantial gains in PSNR and SSIM, underscoring its superiority.
• Abstract（参考訳）: 本稿では,位相探索のための計測行列設計への学習最適化の統合を先導する。 本稿では,位相検索のためのDeep Learning-based Measurement Matrix for Phase Retrieval (DLMMPR)アルゴリズムを提案する。 DLMMPRは,低次降下と近位マッピングモジュールを併用して高次回復を図り,様々なノイズ状態における総合的実験的検証を通じて決定的に有効性を確認した。 DeepMMSE と PrComplex を比較検討した結果,PSNR と SSIM の精度は大幅に向上した。

関連論文リスト

• Deep Reinforcement Learning-Based Precoding for Multi-RIS-Aided Multiuser Downlink Systems with Practical Phase Shift [44.303967859644295]
  本研究では、RIS位相シフト行列をスペクトル効率に最適化することを目的として、複数再構成可能なマルチユーザダウンリンクシステムについて検討する。 提案するDD-DRLフレームワークは,mmWaveチャネル設定において,両方のランダムなユーザ数で評価される。
  論文  参考訳（メタデータ） (2025-09-30T01:57:57Z)
• Deep Unrolled Meta-Learning for Multi-Coil and Multi-Modality MRI with Adaptive Optimization [0.0]
  核磁気共鳴イメージング(MRI)のための統合型深層メタラーニングフレームワークを提案する。 マルチコイル再構成とクロスモダリティ合成を共同で行う。 その結果,従来の教師あり学習よりもPSNRが大幅に向上した。
  論文  参考訳（メタデータ） (2025-05-08T04:47:12Z)
• Let's reward step by step: Step-Level reward model as the Navigators for Reasoning [64.27898739929734]
  Process-Supervised Reward Model (PRM)は、トレーニングフェーズ中にステップバイステップのフィードバックをLLMに提供する。 LLMの探索経路を最適化するために,PRMからのステップレベルのフィードバックを応用した欲求探索アルゴリズムを提案する。 提案手法の汎用性を探るため,コーディングタスクのステップレベル報酬データセットを自動生成する手法を開発し,コード生成タスクにおける同様の性能向上を観察する。
  論文  参考訳（メタデータ） (2023-10-16T05:21:50Z)
• Spectral Entry-wise Matrix Estimation for Low-Rank Reinforcement Learning [53.445068584013896]
  低ランク構造を持つ強化学習(RL)における行列推定問題について検討した。 低ランク帯では、回収される行列は期待される腕の報酬を指定し、低ランクマルコフ決定プロセス(MDP)では、例えばMDPの遷移カーネルを特徴付ける。 簡単なスペクトルベースの行列推定手法は,行列の特異部分空間を効率よく復元し,ほぼ最小の入力誤差を示すことを示す。
  論文  参考訳（メタデータ） (2023-10-10T17:06:41Z)
• Information Flow in Self-Supervised Learning [12.726203807634548]
  本稿では,行列ベースのエントロピー推定を正規化器として活用し,U-MAEを特別に仮定する新しい手法であるマトリックス変量マスク付きオートエンコーダ(M-MAE)を紹介する。 実験による評価は、線形探傷型ViT-Baseの3.9%の改善、微調整型ViT-Largeの1%の改善など、最先端の手法と比較して、M-MAEの有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2023-09-29T14:32:43Z)
• Deep Unrolling for Nonconvex Robust Principal Component Analysis [75.32013242448151]
  我々はロバスト成分分析のためのアルゴリズムを設計する(A) 行列を低主行列とスパース主行列の和に分解する。
  論文  参考訳（メタデータ） (2023-07-12T03:48:26Z)
• Active RIS-aided EH-NOMA Networks: A Deep Reinforcement Learning Approach [66.53364438507208]
  アクティブな再構成可能なインテリジェントサーフェス(RIS)支援マルチユーザダウンリンク通信システムについて検討した。 非直交多重アクセス(NOMA)はスペクトル効率を向上させるために使用され、活性RISはエネルギー回収(EH)によって駆動される。 ユーザの動的通信状態を予測するために,高度なLSTMベースのアルゴリズムを開発した。 増幅行列と位相シフト行列RISを結合制御するためにDDPGに基づくアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-11T13:16:28Z)
• Performance Indicator in Multilinear Compressive Learning [106.12874293597754]
  マルチリニア圧縮学習(MCL)フレームワークは,多次元信号を扱う際の知覚と学習のステップを効率的に最適化するために提案された。 本稿では,入力信号の分解能,圧縮された測定値数,MCLの学習性能の関係を解析する。
  論文  参考訳（メタデータ） (2020-09-22T11:27:50Z)

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。