論文の概要: Deeply unrolled alternating projections for phase retrieval

• arxiv url: http://arxiv.org/abs/2610.17316v1
• Date: Mon, 12 Oct 2026 19:19:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 02:14:24.015592
• Title: Deeply unrolled alternating projections for phase retrieval
• Title（参考訳）: 位相探索のための深部無回転交互投影法
• Abstract要約: 逆問題に対するディープアンローリング手法は、従来の再構成アルゴリズムを学習前のアルゴリズムで強化し、性能を向上する。 本稿では,位相探索問題に対する深層展開フレームワークを提案する。 提案手法は,従来のモデルベースの代替品が苦戦する環境でのトレーニングを必要とせず,高品質な再構築を実現する。
• 参考スコア（独自算出の注目度）: 13.759078336111019
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep unrolling methods for inverse problems augment traditional reconstruction algorithms with learned priors to improve their performance. These methods have been developed under the implicit assumption that the geometry of the measurement operator does not change between training and deployment; when this is no longer the case, the quality of obtained reconstructions can degrade significantly. In this paper, we argue that this is not an inherent limitation of the deep unrolling paradigm and can be mitigated by a careful choice of the underlying iterative algorithm. We propose a deep unrolling framework for the phase retrieval problem that augments the alternating projections method with a learned denoising step. Our method obtains high-quality reconstructions without the need for retraining in settings where conventional model-based alternatives struggle, such as when the dynamic range of the measurement operator changes significantly at test time.
• Abstract（参考訳）: 逆問題に対するディープアンローリング手法は、従来の再構成アルゴリズムを学習前のアルゴリズムで強化し、性能を向上する。 これらの手法は、測定演算子の幾何がトレーニングと展開の間に変化しないという暗黙の仮定の下で開発され、もはやそうでなければ、得られた再構成の品質は著しく低下する可能性がある。 本稿では,これはディープ・アンローリング・パラダイムの本質的な制限ではなく,根底にある反復アルゴリズムを慎重に選択することで緩和することができると論じる。 本稿では,位相探索問題に対する深層展開フレームワークを提案する。 提案手法は,従来のモデルに基づく代替手段が困難であった場合,例えば試験時に測定演算子の動的範囲が著しく変化する場合などにおいて,再トレーニングを必要とせず,高品質な再構成を実現する。

関連論文リスト

• Learning to Replace MCMC in Split-Gibbs Diffusion Posterior Sampling via Deep Unfolding [59.15417651849432]
  スプリットギブスサンプリングは、一般的な非線形逆問題に対する拡散後部推論を可能にする。 このMCMCのステップを置き換えるための学習ベースのフレームワークを提案する。 非線形位相探索実験は, 提案手法の有効性を低い確率更新コストで実証する。
  論文  参考訳（メタデータ） (2026-09-24T20:47:24Z)
• Diffusion Models for Solving Inverse Problems via Posterior Sampling with Piecewise Guidance [52.705112811734566]
  断片的なガイダンススキームを用いて,逆問題を解決するための新しい拡散型フレームワークが導入された。 提案手法は問題に依存しず,様々な逆問題に容易に適応できる。 このフレームワークは, (4時間), (8時間) の超分解能タスクに対して, (23%), (24%) および (24%) の無作為マスクを塗布する場合の (25%) の推論時間を短縮する。
  論文  参考訳（メタデータ） (2025-07-22T19:35:14Z)
• Adaptive operator learning for infinite-dimensional Bayesian inverse problems [7.716833952167609]
  本研究では,局所的に精度の高いサロゲートを強制することによって,モデリングエラーを段階的に低減できる適応型演算子学習フレームワークを開発した。 UKIフレームワークを用いて線形の場合において厳密な収束を保証する。 その結果,逆精度を維持しながら計算コストを大幅に削減できることがわかった。
  論文  参考訳（メタデータ） (2023-10-27T01:50:33Z)
• Scaling Forward Gradient With Local Losses [117.22685584919756]
  フォワード学習は、ディープニューラルネットワークを学ぶためのバックプロップに代わる生物学的に妥当な代替手段である。 重みよりも活性化に摂動を適用することにより、前方勾配のばらつきを著しく低減できることを示す。 提案手法はMNIST と CIFAR-10 のバックプロップと一致し,ImageNet 上で提案したバックプロップフリーアルゴリズムよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2022-10-07T03:52:27Z)
• Regularizing (Stabilizing) Deep Learning Based Reconstruction Algorithms [0.0]
  逆問題(inverse problem)が不適切であることはよく知られており、それらを意味のある方法で解決するためには正規化メソッドを使わなければならない。 近年、古典的正規化再構成アプローチは(深層学習に基づく)学習的再構成アルゴリズムによって非分類化されている。 そこで我々は,そのような(不安定な)学習的再構築手法を安定化し,正規化解を復元する,一定の正規化手法を提案する。
  論文  参考訳（メタデータ） (2021-08-21T23:40:23Z)
• End-to-end reconstruction meets data-driven regularization for inverse problems [2.800608984818919]
  本稿では,不適切な逆問題に対するエンド・ツー・エンドの再構成演算子を学習するための教師なしアプローチを提案する。 提案手法は,古典的変分フレームワークと反復的アンローリングを組み合わせたものである。 我々は,X線CT(Computerd tomography)の例で,最先端の教師なし手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-07T12:05:06Z)
• Deep Equilibrium Architectures for Inverse Problems in Imaging [14.945209750917483]
  ディープニューラルネットワークによるイメージングにおける逆問題に対する最近の取り組みは、最適化手法の一定数の反復に触発されたアーキテクチャを使用している。 本稿では,再構成精度を4dB PSNRに向上させた,無限の繰り返しに対応する代替手法について述べる。
  論文  参考訳（メタデータ） (2021-02-16T03:49:58Z)
• AP-Loss for Accurate One-Stage Object Detection [49.13608882885456]
  一段階の物体検出器は、分類損失と局所化損失を同時に最適化することによって訓練される。 前者は、多数のアンカーのため、非常に前景と後方のアンカーの不均衡に悩まされる。 本稿では,一段検知器の分類タスクをランキングタスクに置き換える新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2020-08-17T13:22:01Z)
• DeepInit Phase Retrieval [10.385009647156407]
  本稿では,データ深層生成モデルを用いて位相探索問題の解法を提案する。 我々のハイブリッドアプローチは,低サンプリングレートで非常に高い再構成結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-16T09:39:28Z)
• AdaS: Adaptive Scheduling of Stochastic Gradients [50.80697760166045]
  我々は、textit "knowledge gain" と textit "mapping condition" の概念を導入し、Adaptive Scheduling (AdaS) と呼ばれる新しいアルゴリズムを提案する。 実験によると、AdaSは派生した指標を用いて、既存の適応学習手法よりも高速な収束と優れた一般化、そして(b)いつトレーニングを中止するかを決定するための検証セットへの依存の欠如を示す。
  論文  参考訳（メタデータ） (2020-06-11T16:36:31Z)
• Extrapolation for Large-batch Training in Deep Learning [72.61259487233214]
  我々は、バリエーションのホストが、我々が提案する統一されたフレームワークでカバー可能であることを示す。 本稿では,この手法の収束性を証明し,ResNet,LSTM,Transformer上での経験的性能を厳格に評価する。
  論文  参考訳（メタデータ） (2020-06-10T08:22:41Z)

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。