論文の概要: Beyond Single Solution: Multi-Hypothesis Collaborative Deep Unfolding Network for Image Compressive Sensing
- arxiv url: http://arxiv.org/abs/2606.03666v1
- Date: Tue, 02 Jun 2026 13:50:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-03 22:00:05.044234
- Title: Beyond Single Solution: Multi-Hypothesis Collaborative Deep Unfolding Network for Image Compressive Sensing
- Title（参考訳）: 単一解を超える:画像圧縮センシングのための多相協調深部展開ネットワーク
- Authors: Wenxue Cui, Hualin Li, Yuhang Qin, Yifu Xu, Xiaopeng Fan, Debin Zhao,
- Abstract要約: MHC-DUN(Multi-Hypothesis Collaborative Deep Unfolding CS Network)を提案する。
多様な解空間をまたいだ共同最適化により、複数の仮説を明示的にモデル化し、活用する。
実験の結果,提案手法は既存のCSネットワークよりも優れていることがわかった。
- 参考スコア（独自算出の注目度）: 44.028998922506
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent deep unfolding networks (DUNs) have advanced Compressive Sensing (CS) by effectively integrating iterative optimization with deep learning architectures. However, most CS approaches predominantly confine their inference to a single solution space, neglecting the inherent ill-posedness of CS problems that intrinsically permits multiple plausible candidate hypotheses. In this paper, a novel Multi-Hypothesis Collaborative Deep Unfolding CS Network (MHC-DUN) is proposed, which explicitly models and leverages multiple hypotheses by jointly optimizing across diverse solution spaces. Specifically, following the Proximal Gradient Descent algorithm, MHC-DUN jointly performs gradient descent and proximal mapping within this multi-hypothesis paradigm. i) For gradient descent, a well-designed AlphaNet is introduced to dynamically predict spatially varying step sizes for all hypotheses, enabling collaborative gradient updates across multiple solutions. ii) For proximal operator, a sophisticated multi-hypothesis collaborative proximal mapping module is designed, which leverages both intra-hypothesis and inter-hypothesis correlation priors to jointly refine multiple solutions. To enable end-to-end training, a novel composite loss function is designed, which balances measurement fidelity, hypothesis diversity, and reconstruction accuracy, encouraging exploration of complementary solutions while maintaining reconstruction fidelity. Experimental results reveal that the proposed CS method outperforms existing CS networks.
- Abstract（参考訳）: 近年の深層展開ネットワーク (DUN) は, 繰り返し最適化とディープラーニングアーキテクチャを効果的に統合することにより, 圧縮センシング (CS) を進化させた。
しかし、ほとんどの CS のアプローチは、その推論を単一の解空間に限定し、本質的に複数の有理な候補仮説を許容する CS 問題の固有の不正を無視する。
本稿では,多元的協調型深層展開型CSネットワーク(MHC-DUN)を提案する。
特に,MHC-DUNは,この多仮説のパラダイムの中で,勾配降下と近位写像を共同で行う。
一 勾配降下には、すべての仮説に対して空間的に異なるステップサイズを動的に予測し、複数の解に対して協調的な勾配更新を可能にするよう、よく設計されたAlphaNetを導入する。
ii) 近位演算子に対しては, 補綴内相関と補綴間相関を併用した高度な多相協調的近位写像モジュールを設計し, 共同で複数の解を洗練させる。
エンド・ツー・エンドのトレーニングを可能にするために、測定忠実度、仮説多様性、再構成精度のバランスを保ちつつ、再構成忠実度を維持しつつ補完解の探索を奨励する新しい複合損失関数を設計する。
実験の結果,提案手法は既存のCSネットワークよりも優れていることがわかった。
関連論文リスト
- Dual-Path Hyperprior Informed Deep Unfolding Network for Image Compressive Sensing [20.76300063992605]
我々はDPH-DUN(Dual-Path Hyperprior Informed Deep Unfolding Network)を提案する。
測定を2つのサブセットに分割し、デュアルパスアーキテクチャによる高優先度の再構築を可能にする。
大規模な実験により、提案したDPH-DUNは既存の圧縮センシング法より優れていることが示された。
論文 参考訳（メタデータ） (2026-05-10T14:28:37Z) - FoundationSLAM: Unleashing the Power of Depth Foundation Models for End-to-End Dense Visual SLAM [50.9765003472032]
FoundationSLAMは、正確でロバストな追跡とマッピングのための学習ベースの単分子高密度SLAMシステムである。
我々の中核となる考え方は、基礎深度モデルからのガイダンスを活用することによって、推論によるフロー推定をブリッジすることである。
論文 参考訳（メタデータ） (2025-12-31T17:57:45Z) - SPREAD: Sampling-based Pareto front Refinement via Efficient Adaptive Diffusion [0.8594140167290097]
SPREADは拡散確率モデル(DDPM)に基づく生成フレームワークである
決定空間からサンプリングされた点上の条件拡散過程を学習する。
適応的多重勾配降下インスパイアされた更新を高速収束に利用するサンプリングスキームにより、候補を洗練する。
論文 参考訳（メタデータ） (2025-09-25T12:09:37Z) - MCU-Net: A Multi-prior Collaborative Deep Unfolding Network with Gates-controlled Spatial Attention for Accelerated MR Image Reconstruction [9.441882492801174]
ディープ・アンフォールディング・ネットワーク(DUN)はMRI(accrating magnetic resonance imaging)において有意な可能性を証明している
しかし、それらはしばしば高い計算コストと緩やかな収束率に遭遇する。
我々はこれらの制約に対処するため、MCU-Netと呼ばれるマルチプライオリティ協調型DUNを提案する。
論文 参考訳（メタデータ） (2024-02-04T07:29:00Z) - Optimizing Solution-Samplers for Combinatorial Problems: The Landscape
of Policy-Gradient Methods [52.0617030129699]
本稿では,DeepMatching NetworksとReinforcement Learningメソッドの有効性を解析するための新しい理論フレームワークを提案する。
我々の主な貢献は、Max- and Min-Cut、Max-$k$-Bipartite-Bi、Maximum-Weight-Bipartite-Bi、Traveing Salesman Problemを含む幅広い問題である。
本分析の副産物として,バニラ降下による新たな正則化プロセスを導入し,失効する段階的な問題に対処し,悪い静止点から逃れる上で有効であることを示す理論的および実験的証拠を提供する。
論文 参考訳（メタデータ） (2023-10-08T23:39:38Z) - Multi-Objective Policy Gradients with Topological Constraints [108.10241442630289]
本稿では, PPOアルゴリズムの簡単な拡張により, TMDPにおけるポリシー勾配に対する新しいアルゴリズムを提案する。
シミュレーションと実ロボットの両方の目的を任意に並べた実世界の多目的ナビゲーション問題に対して,これを実証する。
論文 参考訳（メタデータ） (2022-09-15T07:22:58Z) - Fast Hierarchical Deep Unfolding Network for Image Compressed Sensing [31.71861820004099]
画像圧縮センシングのための高速階層型深部展開ネットワーク(DUN)を提案する。
提案したFHDUNは、より少ないイテレーションを維持しながら、既存の最先端のCSメソッドより優れている。
論文 参考訳（メタデータ） (2022-08-03T03:27:32Z) - Cogradient Descent for Bilinear Optimization [124.45816011848096]
双線形問題に対処するために、CoGDアルゴリズム(Cogradient Descent Algorithm)を導入する。
一方の変数は、他方の変数との結合関係を考慮し、同期勾配降下をもたらす。
本アルゴリズムは,空間的制約下での1変数の問題を解くために応用される。
論文 参考訳（メタデータ） (2020-06-16T13:41:54Z) - Dynamic Multi-objective Optimization of the Travelling Thief Problem [4.859986264602551]
現実的なシナリオを反映した詳細かつ複雑な最適化問題の定式化の研究は、急成長する研究分野である。
トラベリング・ティーフ問題(Traveling Thief Problem)には、多目的の定式化や、それを解決するための正確で近似的な方法の比較を含む、増大する作業体が存在する。
TTP問題の3つの領域におけるダイナミックスの定義には、都市部、アベイラビリティマップ、アイテム値がある。
動的変化に応答して, 溶液生成法を混合して複合集団を提供する組み合わせアプローチは, 動的TTP定式化の異なるインスタンスにおいて, 性能を向上する。
論文 参考訳（メタデータ） (2020-02-07T06:33:05Z)
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。