論文の概要: HyDRA: Hybrid Denoising Regularization for Measurement-Only DEQ Training

• arxiv url: http://arxiv.org/abs/2601.01228v1
• Date: Sat, 03 Jan 2026 16:28:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:22.131917
• Title: HyDRA: Hybrid Denoising Regularization for Measurement-Only DEQ Training
• Title（参考訳）: HyDRA: 測定専用DQトレーニングのためのハイブリッドDenoising Regularization
• Authors: Markus Haltmeier, Lukas Neumann, Nadja Gruber, Johannes Schwab, Gyeongha Hwang,
• Abstract要約: ディープ平衡モデル(Deep Equilibrium、DEQ)は成功したが、典型的には教師付きペア(mathbfx,mathbfy)を必要とする。 我々は、DECトレーニングのための測定専用フレームワークであるHybrid Denoising Regularization Adaptation(Hybrid Denoising Regularization Adaptation)を導入する。 スパースビューCTの実験は、競争力のある再構成品質と高速な推論を示す。
• 参考スコア（独自算出の注目度）: 2.3995514936240503
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Solving image reconstruction problems of the form \(\mathbf{A} \mathbf{x} = \mathbf{y}\) remains challenging due to ill-posedness and the lack of large-scale supervised datasets. Deep Equilibrium (DEQ) models have been used successfully but typically require supervised pairs \((\mathbf{x},\mathbf{y})\). In many practical settings, only measurements \(\mathbf{y}\) are available. We introduce HyDRA (Hybrid Denoising Regularization Adaptation), a measurement-only framework for DEQ training that combines measurement consistency with an adaptive denoising regularization term, together with a data-driven early stopping criterion. Experiments on sparse-view CT demonstrate competitive reconstruction quality and fast inference.
• Abstract（参考訳）: 画像再構成問題である \(\mathbf{A} \mathbf{x} = \mathbf{y}\) の解法は、不備や大規模な教師付きデータセットの欠如により、依然として困難である。 ディープ平衡(Deep Equilibrium, DEQ)モデルは成功しているが、典型的には教師付き対 \((\mathbf{x},\mathbf{y})\) を必要とする。 多くの実用的な設定では、測定値 \(\mathbf{y}\) のみが利用可能である。 我々は、DECトレーニングのための測定専用フレームワークであるHyDRA(Hybrid Denoising Regularization Adaptation)を紹介する。 スパースビューCTの実験は、競争力のある再構成品質と高速な推論を示す。

関連論文リスト

• Phase-space entropy at acquisition reflects downstream learnability [54.4100065023873]
  楽器分解位相空間に基づく取得レベルスカラー$S_mathcal B$を提案する。 本稿では, (S_mathcal B) が周期サンプリングの位相空間コヒーレンスを正確に同定できることを理論的に示す。 $|S_mathcal B|$は一貫してサンプリングジオメトリをランク付けし、トレーニングなしで下流での再構築/認識の困難を予測します。
  論文  参考訳（メタデータ） (2025-12-22T10:03:51Z)
• Equivariant Deep Equilibrium Models for Imaging Inverse Problems [50.91616288661183]
  等変イメージング(EI)は、地上の真実データを必要とせず、信号再構成モデルを訓練することができる。 バックプロパゲーションはモジュール的に実装でき、トレーニングが簡単になる。 EI で訓練された DEQ が以前の不変量の近位写像に近似する証拠が見つかる。
  論文  参考訳（メタデータ） (2025-11-24T00:43:54Z)
• MINGLE: Mixture of Null-Space Gated Low-Rank Experts for Test-Time Continual Model Merging [29.58798660724693]
  連続モデルマージは、オリジナルのトレーニングデータにアクセスすることなく、独立して微調整されたモデルを順次統合する。 テスト時間連続モデルマージの新しいフレームワークであるMINGLEを提案する。 MINGLEは堅牢な一般化を実現し、忘れることを大幅に減らし、従来の最先端の手法を平均で7-9%上回っている。
  論文  参考訳（メタデータ） (2025-05-17T07:24:22Z)
• One More Step: A Versatile Plug-and-Play Module for Rectifying Diffusion Schedule Flaws and Enhancing Low-Frequency Controls [77.42510898755037]
  One More Step (OMS) は、推論中に単純だが効果的なステップを付加したコンパクトネットワークである。 OMSは画像の忠実度を高め、トレーニングと推論の二分法を調和させ、元のモデルパラメータを保存する。 トレーニングが完了すると、同じ潜在ドメインを持つ様々な事前訓練された拡散モデルが同じOMSモジュールを共有することができる。
  論文  参考訳（メタデータ） (2023-11-27T12:02:42Z)
• Last-Iterate Convergence of Adaptive Riemannian Gradient Descent for Equilibrium Computation [52.73824786627612]
  本稿では,テクスト幾何学的強単調ゲームに対する新たな収束結果を確立する。 我々のキーとなる結果は、RGDがテクスト幾何学的手法で最終定位線形収束を実現することを示しています。 全体として、ユークリッド設定を超えるゲームに対して、幾何学的に非依存な最終点収束解析を初めて提示する。
  論文  参考訳（メタデータ） (2023-06-29T01:20:44Z)
• DenseHybrid: Hybrid Anomaly Detection for Dense Open-set Recognition [1.278093617645299]
  異常検出は、正規トレーニングデータの生成的モデリングや、負のトレーニングデータに対する識別によって行うことができる。 本稿では,大きな自然画像に対して密集した開集合認識が可能なハイブリッド異常スコアを提案する。 実験では, 標準密度異常検出ベンチマークと, オープンセット性能の新たな指標であるopen-mIoUについて評価した。
  論文  参考訳（メタデータ） (2022-07-06T11:48:50Z)
• Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
  3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。 パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
  論文  参考訳（メタデータ） (2022-04-13T12:43:12Z)
• Towards Data-Algorithm Dependent Generalization: a Case Study on Overparameterized Linear Regression [19.047997113063147]
  本稿では,データ依存学習軌跡全体の一般化挙動を考察したデータ-アルゴリズム整合性の概念を提案する。 我々は、データ依存軌道解析を行い、そのような環境での互換性に十分な条件を導出する。
  論文  参考訳（メタデータ） (2022-02-12T12:42:36Z)
• Uncertainty Quantification and Deep Ensembles [79.4957965474334]
  ディープアンサンブルが必ずしもキャリブレーション特性の改善につながるとは限らないことを示す。 そこで本研究では,混成正規化などの現代的な手法と併用して標準アンサンブル法を用いることで,キャリブレーションの少ないモデルが得られることを示す。 このテキストは、データが不足しているときにディープラーニングを活用するために、最も単純で一般的な3つのアプローチの相互作用を調べる。
  論文  参考訳（メタデータ） (2020-07-17T07:32:24Z)

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。