論文の概要: Stabilizing Deep Reconstruction Operators with Contractive Anchoring

• arxiv url: http://arxiv.org/abs/2607.23341v2
• Date: Wed, 29 Jul 2026 21:04:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 12:52:12.250607
• Title: Stabilizing Deep Reconstruction Operators with Contractive Anchoring
• Title（参考訳）: 収縮アンカリングによる深部再構成演算子の安定化
• Authors: Arghya Sinha, Trishit Mukherjee, Kunal N. Chaudhury,
• Abstract要約: 反復過程における画像再構成(IR)正則化器は、再構成を不安定化することができる。 一般的な障害モードはピーク・アンド・クラッシュ( peak-and-collapse)である。PSNRのようなメトリクスは初期動作を改善し、突然劣化し、実際にこれらのアルゴリズムを信頼できないものにする。 本稿では,この不安定性を局所的に定式化するデータ駆動安定化フレームワークを提案する。 私たちのキーとなるアイデアは、不安定なIR演算子を安定イテレーションがアンカーとして動作し、崩壊を防止できる収縮演算子で制御することです。
• 参考スコア（独自算出の注目度）: 12.504926215719335
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pretrained deep denoisers can be used to solve a wide range of model-based image reconstruction tasks via Plug-and-Play (PnP) and Regularization-by-Denoising (RED) algorithms, without retraining per task. These denoisers are trained only for single-step denoising. Using them as Image Reconstruction (IR) regularizers in an iterative process can destabilize reconstruction. A common failure mode is the peak-and-collapse behaviour: metrics such as PSNR improve for early iterations and then abruptly degrade, making these algorithms unreliable in practice. We propose a data-driven stabilization framework that (i) formalizes this instability of any IR operator through a local quantity and (ii) prevents collapse by regularizing this quantity adaptively, requiring no retraining or modification of the given pretrained network. Our key idea is to control the potentially unstable IR operator with a contractive operator whose stable iterates act as an anchor and prevent collapse. We further introduce an efficient family of trainable contractive operators that serve as strong anchors while remaining lightweight. Extensive experiments across proximal algorithms, denoiser architectures, noise levels, and imaging tasks show consistent, collapse-free performance and improved reliability of PnP and RED reconstruction.
• Abstract（参考訳）: 事前訓練されたDeep Denoiserは、タスクごとに再トレーニングすることなく、Plug-and-Play (PnP)とRegularization-by-Denoising (RED)アルゴリズムを介して、幅広いモデルベースの画像再構成タスクを解決するために使用できる。 これらのデノイザーは、シングルステップのデノイジングのためにのみ訓練される。 画像再構成(IR)正則化器として繰り返し処理することで、再構成を不安定にすることができる。 よくある障害モードは、ピーク・アンド・クラッシュの動作である。PSNRのようなメトリクスは、初期のイテレーションで改善され、突然劣化し、これらのアルゴリズムが実際は信頼できない。 データ駆動安定化フレームワークを提案する。 一 局所量により、任意のIR演算子のこの不安定性を定式化し、 (ii) この量を適応的に調整し、所定の事前訓練ネットワークの再訓練や変更を必要とせず、崩壊を防止する。 我々のキーとなるアイデアは、不安定なIR演算子を安定な繰り返しをアンカーとして動作させ、崩壊を防ぐ契約演算子で制御することです。 さらに、軽量なまま強力なアンカーとして機能する、訓練可能な収縮演算子の効率的なファミリーを導入する。 近位アルゴリズム、ノイズレベル、撮像タスクの広範な実験は、一貫した、崩壊のない性能を示し、PnPとRED再構成の信頼性を改善している。

関連論文リスト

• SATB-VR: Training Few-Step Video Restoration Diffusion Model using SNR-Aware Trajectory Blending [55.764018145256216]
  本稿では,補助予測器を介してデノナイジングプロセスを開始する数ステップのパラダイムであるSATB-VRを提案する。 我々は,SATB-VRが,合成,実世界,AIGCベンチマークにおける既存のアプローチに対して良好に動作することを示す。
  論文  参考訳（メタデータ） (2026-06-27T01:32:16Z)
• Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals [83.0127582612634]
  Near-boundary Rescue (NSR) は最小限のプラグ・アンド・プレイの修正であり、失った信号を回復するために、アウト・オブ・バウンドトークンを保持する。 NSRはトレーニングの安定性を大幅に改善し、DAPOやGSPOといった強力なベースライン上で一貫したゲインを提供する。
  論文  参考訳（メタデータ） (2026-05-21T16:45:31Z)
• Next-Acceleration-Scale Prediction for Autoregressive MRI Reconstruction [52.32112533846212]
  MRI再建は本質的に不完全な逆問題である。 この制限は、再構成を離散的なマルチスケールの潜在空間に移動させ、自己回帰的次加速スケールの予測として機能させることによって解決する。 提案手法は,過度のアンサンプ下での多種多様なサンプリングパターンの再構成性能の向上を図っている。
  論文  参考訳（メタデータ） (2026-05-19T04:40:50Z)
• Provably Contractive and High-Quality Denoisers for Convergent Restoration [4.912983462300839]
  既存の畳み込みと注意に基づくネットワークは、入力の小さなシフトの下での安定性の保証を欠いている。 我々は、このギャップを著しく減少させる、証明可能な契約性(グロバル・リプシッツ$1$)デノイザーネットワークを開発する。 以上の結果から,厳密なリプシッツ制御は出力品質を本質的に低下させるものではないことが示唆された。
  論文  参考訳（メタデータ） (2026-03-27T08:35:55Z)
• Robust Stochastically-Descending Unrolled Networks [85.6993263983062]
  Deep Unrolling(ディープ・アンローリング)は、トレーニング可能なニューラルネットワークの層に切り捨てられた反復アルゴリズムをアンロールする、新たな学習最適化手法である。 アンロールネットワークの収束保証と一般化性は、いまだにオープンな理論上の問題であることを示す。 提案した制約の下で訓練されたアンロールアーキテクチャを2つの異なるアプリケーションで数値的に評価する。
  論文  参考訳（メタデータ） (2023-12-25T18:51:23Z)
• Advancing Unsupervised Low-light Image Enhancement: Noise Estimation, Illumination Interpolation, and Self-Regulation [55.07472635587852]
  低光画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。 これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。 まず,低照度画像の雑音レベルを迅速かつ高精度に推定する方法を提案する。 次に、照明と入力の一般的な制約を満たすために、Learningable Illumination Interpolator (LII) を考案する。
  論文  参考訳（メタデータ） (2023-05-17T13:56:48Z)
• DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [80.20339155618612]
  DiffusionADは、再構成サブネットワークとセグメンテーションサブネットワークからなる、新しい異常検出パイプラインである。 高速なワンステップデノゲーションパラダイムは、同等の再現品質を維持しながら、数百倍の加速を達成する。 異常の出現の多様性を考慮し、複数のノイズスケールの利点を統合するためのノルム誘導パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-03-15T16:14:06Z)
• Learning Sparsity-Promoting Regularizers using Bilevel Optimization [9.18465987536469]
  本稿では,信号や画像の識別のための疎結合型正規化器の教師あり学習法を提案する。 構造化された1D信号と自然画像を用いて実験したところ,提案手法はよく知られた正規化器よりも優れた演算子を学習できることがわかった。
  論文  参考訳（メタデータ） (2022-07-18T20:50:02Z)
• Supervised Learning of Sparsity-Promoting Regularizers for Denoising [13.203765985718205]
  本稿では,画像復調のための疎度促進型正規化器の教師あり学習法を提案する。 実験の結果,提案手法はよく知られた正規化器よりも優れた演算子を学習できることがわかった。
  論文  参考訳（メタデータ） (2020-06-09T21:38:05Z)

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。