論文の概要: Learning spatially adaptive sparsity level maps for arbitrary convolutional dictionaries

• arxiv url: http://arxiv.org/abs/2602.21707v1
• Date: Wed, 25 Feb 2026 09:13:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-26 18:19:16.770224
• Title: Learning spatially adaptive sparsity level maps for arbitrary convolutional dictionaries
• Title（参考訳）: 任意の畳み込み辞書に対する空間適応型空間空間性レベルマップの学習
• Authors: Joshua Schulz, David Schote, Christoph Kolbitsch, Kostas Papafitsoros, Andreas Kofler,
• Abstract要約: 本稿では,データ駆動型情報をモデルベース畳み込み辞書正規化に組み込んだ画像再構成手法を構築した。 提案手法はフィルタ置換不変性を実現するために拡張され、推論時に畳み込み辞書を変更することが可能となる。
• 参考スコア（独自算出の注目度）: 1.0243402599670037
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: State-of-the-art learned reconstruction methods often rely on black-box modules that, despite their strong performance, raise questions about their interpretability and robustness. Here, we build on a recently proposed image reconstruction method, which is based on embedding data-driven information into a model-based convolutional dictionary regularization via neural network-inferred spatially adaptive sparsity level maps. By means of improved network design and dedicated training strategies, we extend the method to achieve filter-permutation invariance as well as the possibility to change the convolutional dictionary at inference time. We apply our method to low-field MRI and compare it to several other recent deep learning-based methods, also on in vivo data, in which the benefit for the use of a different dictionary is showcased. We further assess the method's robustness when tested on in- and out-of-distribution data. When tested on the latter, the proposed method suffers less from the data distribution shift compared to the other learned methods, which we attribute to its reduced reliance on training data due to its underlying model-based reconstruction component.
• Abstract（参考訳）: 最先端の学習された再構築手法は、しばしばブラックボックスモジュールに依存しており、その性能は高いが、解釈可能性と堅牢性に関する疑問を提起する。 本稿では,ニューラルネットワークを用いた空間適応型空間空間性レベルマップを用いたモデルベースの畳み込み辞書正規化に,データ駆動型情報を組み込んだ画像再構成手法を構築した。 改良されたネットワーク設計と専用トレーニング戦略により、フィルタ置換不変性を実現するとともに、推論時に畳み込み辞書を変更する可能性も拡張する。 本手法を低磁場MRIに適用し,本手法を他の深層学習法と比較する。 さらに,分布内および分布外データを用いて試験した場合のロバスト性を評価する。 後者で検証した場合,提案手法は学習した他の手法に比べてデータ分散シフトに苦しむ傾向にあり,その基礎となるモデルベース再構成コンポーネントによるトレーニングデータへの依存度が低下していると考えられる。

関連論文リスト

• Nonparametric Data Attribution for Diffusion Models [57.820618036556084]
  生成モデルのデータ属性は、個々のトレーニング例がモデル出力に与える影響を定量化する。 生成画像とトレーニング画像のパッチレベルの類似性によって影響を測定する非パラメトリック属性法を提案する。
  論文  参考訳（メタデータ） (2025-10-16T03:37:16Z)
• Efficient compression of neural networks and datasets [0.0]
  ニューラルネットワークのパラメータ数を著しく削減する手法を比較し,改善し,貢献する。 記述長を最小化するために本手法を適用すると、非常に効率的なデータ圧縮アルゴリズムが得られる。 正規化モデルがより標本効率のよい収束を示すことができるという予測を実証的に検証する。
  論文  参考訳（メタデータ） (2025-05-23T04:50:33Z)
• Fuzzy Rule-based Differentiable Representation Learning [16.706014479049493]
  本稿では,解釈可能なファジィ規則に基づくモデルに基づく表現学習手法を提案する。 入力データを高次元ファジィ特徴空間にマッピングするために,高木・菅野・康ファジィシステム(TSK-FS)上に構築されている。 モデルの解釈可能性と透明性を維持できる結果部分学習のための新しい微分可能最適化法を提案する。
  論文  参考訳（メタデータ） (2025-03-16T14:00:34Z)
• Time-series attribution maps with regularized contrastive learning [1.5503410315996757]
  勾配に基づく帰属法は、ディープラーニングモデルの決定を説明することを目的としているが、これまでは識別可能性の保証が欠如している。 本稿では,時系列データに基づく正規化コントラスト学習アルゴリズムを開発することにより,属性マップを識別可能性保証付きで生成する手法を提案する。 理論的には、xCEBRAはデータ生成過程のヤコビ行列を特定するのに好ましい性質を持っている。
  論文  参考訳（メタデータ） (2025-02-17T18:34:25Z)
• Noisy Self-Training with Synthetic Queries for Dense Retrieval [49.49928764695172]
  合成クエリと組み合わせた,ノイズの多い自己学習フレームワークを提案する。 実験結果から,本手法は既存手法よりも一貫した改善が得られた。 我々の手法はデータ効率が良く、競争のベースラインより優れています。
  論文  参考訳（メタデータ） (2023-11-27T06:19:50Z)
• Unsupervised Discovery of Interpretable Directions in h-space of Pre-trained Diffusion Models [63.1637853118899]
  本稿では,事前学習した拡散モデルのh空間における解釈可能な方向を特定するための,教師なしおよび学習に基づく最初の手法を提案する。 我々は、事前訓練された拡散モデルのh-スペースで動作するシフト制御モジュールを用いて、サンプルをシフトしたバージョンに操作する。 それらを共同で最適化することで、モデルは自然に絡み合った、解釈可能な方向を発見する。
  論文  参考訳（メタデータ） (2023-10-15T18:44:30Z)
• Invariance Learning in Deep Neural Networks with Differentiable Laplace Approximations [76.82124752950148]
  我々はデータ拡張を選択するための便利な勾配法を開発した。 我々はKronecker-factored Laplace近似を我々の目的とする限界確率に近似する。
  論文  参考訳（メタデータ） (2022-02-22T02:51:11Z)
• Self-Supervised Learning for MRI Reconstruction with a Parallel Network Training Framework [24.46388892324129]
  提案手法は柔軟であり,既存のディープラーニング手法にも適用可能である。 本手法の有効性を、オープン脳MRIデータセットを用いて評価する。
  論文  参考訳（メタデータ） (2021-09-26T06:09:56Z)
• Graph Sampling Based Deep Metric Learning for Generalizable Person Re-Identification [114.56752624945142]
  我々は、最も一般的なランダムサンプリング手法である有名なpkサンプリングは、深層メトリック学習にとって有益で効率的ではないと主張する。 大規模計量学習のためのグラフサンプリング(GS)と呼ばれる効率的なミニバッチサンプリング手法を提案する。
  論文  参考訳（メタデータ） (2021-04-04T06:44:15Z)
• Siloed Federated Learning for Multi-Centric Histopathology Datasets [0.17842332554022694]
  本稿では,医学領域における深層学習アーキテクチャのための新しいフェデレーション学習手法を提案する。 局所統計バッチ正規化(BN)層が導入され、協調的に訓練されるが中心に固有のモデルが作られる。 本研究では,Camelyon16およびCamelyon17データセットから抽出した腫瘍組織像の分類法についてベンチマークを行った。
  論文  参考訳（メタデータ） (2020-08-17T15:49:30Z)

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。