論文の概要: Domain Adaptation of Mismatched Proximal Denoiser for Plug-and-Play Image Reconstruction

• arxiv url: http://arxiv.org/abs/2607.14894v1
• Date: Thu, 16 Jul 2026 12:11:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:33.089918
• Title: Domain Adaptation of Mismatched Proximal Denoiser for Plug-and-Play Image Reconstruction
• Title（参考訳）: プラグ・アンド・プレイ画像再構成のためのミスマッチ近位復調器の領域適応
• Authors: Guixian Xu, Jinglai Li, Junqi Tang,
• Abstract要約: Plug-and-play演算子(-PGD)は、デノイザを暗黙の先行値として使用することにより、柔軟な画像再構成を可能にする。 ミスマッチの実践では、デノイザはトレーニングドメインの外で展開されることが多い。 ドメインミスマッチがエフェクト-PGDの収束にどのように影響するかを示す。
• 参考スコア（独自算出の注目度）: 6.546376089353312
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Plug-and-play proximal gradient descent (PnP-PGD) enables flexible image reconstruction by using denoisers as implicit priors. In practice, these denoisers are often deployed outside their training domains. Existing analyses establish convergence under structural assumptions on the deployed denoiser, such as requiring it to be a proximal map or a contraction. However, they do not measure how domain mismatch affects convergence of PnP-PGD. We define this effect as \emph{proximal mismatch}: the discrepancy between a deployed denoiser $\widehat{\mathsf D}$ and a target-domain reference map $\mathsf D_\star=\operatorname{prox}_{R_\star}$ associated with the underlying regularizer $R_\star$. Under this mismatch, each denoising update becomes an inexact proximal step for the target objective. We further derive a stationarity bound that decays at a rate of $\mathcal{O}(1/K)$, with an additive term proportional to the average squared proximal mismatch. This result motivates adaptation via proximal matching rather than MSE-based adaptation alone. We study this approach with two established denoiser families: learned proximal networks and gradient-step denoisers. Experiments on Gaussian deblurring and super-resolution under substantial domain shift show that proximal matching adaptation improves reconstruction quality significantly over MSE-based adaptation, yielding the largest numerical gains in the few-shot regime.
• Abstract（参考訳）: プラグアンドプレイ近位勾配勾配降下(PnP-PGD)は,デノイザを暗黙の先行として使用することにより,柔軟な画像再構成を可能にする。 実際には、これらのデノイザはトレーニングドメインの外で展開されることが多い。 既存の分析は、デプロイされたデノイザの構造的な仮定の下で収束を確立する。 しかし、ドメインミスマッチがPnP-PGDの収束にどのように影響するかは測定していない。 デプロイされたdenoiser $\widehat{\mathsf D}$とターゲットドメイン参照マップ $\mathsf D_\star=\operatorname{prox}_{R_\star}$と、基礎となる正規化子$R_\star$との相違。 このミスマッチの下で、各報知更新は、目標目標に対する不正確な近位ステップとなる。 さらに、平均二乗近似ミスマッチに比例する加法項で、$\mathcal{O}(1/K)$の速度で崩壊する定常性境界を導出する。 この結果は、MSEベースの適応のみではなく、近位マッチングによる適応を動機付けている。 本研究では,このアプローチを,学習近位ネットワークと勾配ステップデノイザという,確立された2つのデノイザファミリーを用いて研究する。 実質的な領域シフトの下でのガウス変色と超分解能の実験により、近位整合適応はMSEによる適応よりも再構成品質を著しく向上し、数ショット方式で最大の数値ゲインが得られることが示された。

関連論文リスト

• SLAM: Structured and Localized Analytic Manifold Adaptation for Lifelong VPR [0.6882042556551609]
  本稿では,構造的および局所的解析的マニフォールド適応フレームワークSLAMを提案する。 我々のフレームワークは、ガウス混合モデル(GMM)による位相空間分割による不確実性認識の平滑化を統一する。 排他的アブレーション研究は、不確実性平滑化と局所写像の相乗的組み合わせが27.5%の最先端の精度を実現する一方で、$H_infty$境界の完全な展開はアーキテクチャ的な分割を必要としないことを示した。
  論文  参考訳（メタデータ） (2026-07-06T07:57:26Z)
• Preconditioned Score and Flow Matching [15.378063594292955]
  共分散 $_t$ of $p_t$ が最適化バイアスを支配していることを示す。 我々は、$p_t$の幾何学を再構成する可逆的でラベル条件付きエンプレコンディショニングマップを提案する。 プレコンディショニングは最適下高原を避けることによって、より優れたトレーニングモデルが得られることを示す。
  論文  参考訳（メタデータ） (2026-03-02T19:09:15Z)
• FAST-DIPS: Adjoint-Free Analytic Steps and Hard-Constrained Likelihood Correction for Diffusion-Prior Inverse Problems [2.9506605740700107]
  トレーニングなし拡散の先行は、しばしば、繰り返し導関数や、保守的なステップサイズを持つ内部最適化/MCMCループに依存する。 本研究では、これらの内部ループをハードな測定空間実現可能性制約で置き換える訓練不要な解法を提案する。 実験はPSNR/SSIM/LPIPSと最大19.5$times$のスピードアップで、手書きのアジョイントや内部MCMCを使わずに、競争力のあるPSNR/SSIM/LPIPSを実現する。
  論文  参考訳（メタデータ） (2026-03-02T08:17:26Z)
• Decentralized Nonconvex Composite Federated Learning with Gradient Tracking and Momentum [78.27945336558987]
  分散サーバ(DFL)はクライアント・クライアント・アーキテクチャへの依存をなくす。 非滑らかな正規化はしばしば機械学習タスクに組み込まれる。 本稿では,これらの問題を解決する新しいDNCFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-04-17T08:32:25Z)
• Stable Nonconvex-Nonconcave Training via Linear Interpolation [51.668052890249726]
  本稿では,ニューラルネットワークトレーニングを安定化(大規模)するための原理的手法として,線形アヘッドの理論解析を提案する。 最適化過程の不安定性は、しばしば損失ランドスケープの非単調性によって引き起こされるものであり、非拡張作用素の理論を活用することによって線型性がいかに役立つかを示す。
  論文  参考訳（メタデータ） (2023-10-20T12:45:12Z)
• Normalized/Clipped SGD with Perturbation for Differentially Private Non-Convex Optimization [94.06564567766475]
  DP-SGDとDP-NSGDは、センシティブなトレーニングデータを記憶する大規模モデルのリスクを軽減する。 DP-NSGD は DP-SGD よりも比較的チューニングが比較的容易であるのに対して,これらの2つのアルゴリズムは同様の精度を実現する。
  論文  参考訳（メタデータ） (2022-06-27T03:45:02Z)
• Proximal denoiser for convergent plug-and-play optimization with nonconvex regularization [7.0226402509856225]
  Plug-and-Play ()メソッドは、ニューラルネットワーク演算子をデノナイジング演算子に置き換えることで、アルゴリズムによって、近位姿勢の逆問題を解決する。 このデノイザが実際に勾配関数に対応していることが示される。
  論文  参考訳（メタデータ） (2022-01-31T14:05:20Z)
• Differentiable Annealed Importance Sampling and the Perils of Gradient Noise [68.44523807580438]
  Annealed importance sample (AIS) と関連するアルゴリズムは、限界推定のための非常に効果的なツールである。 差別性は、目的として限界確率を最適化する可能性を認めるため、望ましい性質である。 我々はメトロポリス・ハスティングスのステップを放棄して微分可能アルゴリズムを提案し、ミニバッチ計算をさらに解き放つ。
  論文  参考訳（メタデータ） (2021-07-21T17:10:14Z)
• Fixed-Point and Objective Convergence of Plug-and-Play Algorithms [25.65350839936094]
  画像再構築の標準モデルは、正規化と共にデータ忠実性ノベルティ項の再構築を含む。 本稿では, 特殊近位線形デノイザに対する収束の両形態を定式化する。 我々は、線型 denoiser から派生した特別な内積(およびノルム)を扱う。
  論文  参考訳（メタデータ） (2021-04-21T04:25:17Z)

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。