論文の概要: Trainable Nonexpansive Denoisers for Contractive Image Reconstruction

• arxiv url: http://arxiv.org/abs/2607.23347v1
• Date: Sat, 25 Jul 2026 19:54:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.069973
• Title: Trainable Nonexpansive Denoisers for Contractive Image Reconstruction
• Title（参考訳）: 画像再構成のためのトレーニング可能な非拡張型デノイザ
• Abstract要約: 画像格子上の置換の作用を利用することにより、世界規模で拡張不可能なニューラルアーキテクチャを制約できることが示される。 提案手法をフォワードイメージング演算子と統合し,実効性があり,従ってグローバルに収束する再構成機構を開発する。
• 参考スコア（独自算出の注目度）: 11.44690943348845
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Trainable denoisers with Lipschitz control have become central to convergent image reconstruction. However, training neural networks that simultaneously offer strong denoising performance and global Lipschitz guarantees is challenging. Existing approaches enforce Lipschitz control only empirically, providing no guarantees beyond the training data. In this work, we show that by exploiting the action of permutations on the image lattice, we can constrain a neural architecture that is globally nonexpansive (Lipschitz bound $\leqslant 1$). We integrate the proposed denoiser with forward imaging operators to develop a reconstruction mechanism that is provably contractive and therefore globally convergent. Experiments on standard inverse problems, such as superresolution and deblurring, demonstrate that our reconstruction performance is competitive with softly constrained baselines while providing Lipschitz guarantees.
• Abstract（参考訳）: リプシッツ制御の訓練可能なデノイザーは、収束画像再構成の中心となっている。 しかし、強力な復調性能とグローバルリプシッツ保証を同時に提供するニューラルネットワークのトレーニングは難しい。 既存のアプローチでは、Lipschitzコントロールは経験的にのみ適用され、トレーニングデータ以外の保証は提供されない。 本研究では、画像格子上の置換の作用を利用することにより、世界規模で拡張不可能なニューラルアーキテクチャを制約できることを示す(Lipschitz bound $\leqslant 1$)。 提案手法をフォワードイメージング演算子と統合し,実効性があり,従ってグローバルに収束する再構成機構を開発する。 超解法やデブロワーリングのような標準逆問題に対する実験は、リプシッツ保証を提供しながら、我々の再構成性能がソフトに制約されたベースラインと競合することを示した。

関連論文リスト

• Lipschitz verification of neural networks through training [3.8708566551482537]
  トレーニング中の自明な拘束力のペナルティ化により, 真のリプシッツ定数を効果的に正則化することを示した。 提案手法は,高度な検証のランタイムの複雑さを回避し,高い結果を得る。
  論文  参考訳（メタデータ） (2026-03-30T07:20:50Z)
• 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)
• Representation Entanglement for Generation: Training Diffusion Transformers Is Much Easier Than You Think [63.25744258438214]
  REPAとその変種は、事前訓練されたモデルから外部の視覚表現を取り入れることで、拡散モデルのトレーニング課題を効果的に軽減する。 偏見推論過程全体において欠落している外部アライメントは、識別的表現の可能性を完全に活用するに足らないと我々は主張する。 本稿では,事前学習した基礎モデルから,低レベル画像ラテントを1つの高レベルクラストークンで絡み合わせるRepresentation Entanglement for Generation (REG)を提案する。
  論文  参考訳（メタデータ） (2025-07-02T08:29:18Z)
• A Scalable Approach for Safe and Robust Learning via Lipschitz-Constrained Networks [2.8960888722909566]
  ニューラルネットワーク(NN)に対するリプシッツ制約付きグローバルトレーニング制約を提案する。 提案手法により,リプシッツ制約NNの定式化が大幅に改善できることが示唆された。
  論文  参考訳（メタデータ） (2025-06-30T15:42:23Z)
• 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)
• Efficient Bound of Lipschitz Constant for Convolutional Layers by Gram Iteration [122.51142131506639]
  循環行列理論を用いて畳み込み層のスペクトルノルムに対して、精密で高速で微分可能な上界を導入する。 提案手法は, 精度, 計算コスト, スケーラビリティの観点から, 他の最先端手法よりも優れていることを示す。 これは畳み込みニューラルネットワークのリプシッツ正則化に非常に効果的であり、並行アプローチに対する競合的な結果である。
  論文  参考訳（メタデータ） (2023-05-25T15:32:21Z)
• Lipschitz Continuity Retained Binary Neural Network [52.17734681659175]
  我々は,BNNのモデルロバスト性を定義するための厳密な基準として,リプシッツ連続性を導入する。 次に、モデルロバスト性を改善するための正規化項としてリプシッツ連続性を維持することを提案する。 実験により,我々のBNN固有の正規化手法は,BNNの堅牢性を効果的に強化できることが証明された。
  論文  参考訳（メタデータ） (2022-07-13T22:55:04Z)
• Training Certifiably Robust Neural Networks with Efficient Local Lipschitz Bounds [99.23098204458336]
  認証された堅牢性は、安全クリティカルなアプリケーションにおいて、ディープニューラルネットワークにとって望ましい性質である。 提案手法は,MNISTおよびTinyNetデータセットにおける最先端の手法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2021-11-02T06:44:10Z)
• Lipschitz Bounded Equilibrium Networks [3.2872586139884623]
  本稿では、平衡ニューラルネットワーク、すなわち暗黙の方程式で定義されるネットワークの新しいパラメータ化を提案する。 新しいパラメータ化は、制約のない最適化を通じてトレーニング中にリプシッツ境界を許容する。 画像分類実験では、リプシッツ境界は非常に正確であり、敵攻撃に対する堅牢性を向上させることが示されている。
  論文  参考訳（メタデータ） (2020-10-05T01:00:40Z)
• On Lipschitz Regularization of Convolutional Layers using Toeplitz Matrix Theory [77.18089185140767]
  リプシッツ正則性は現代のディープラーニングの重要な性質として確立されている。 ニューラルネットワークのリプシッツ定数の正確な値を計算することはNPハードであることが知られている。 より厳密で計算が容易な畳み込み層に対する新しい上限を導入する。
  論文  参考訳（メタデータ） (2020-06-15T13:23:34Z)
• 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。