文献

J-GLOBAL ID：201802274268744986   整理番号：18A0137257

学習近位演算子正則化逆イメージング問題のための雑音除去ネットワークの利用【Powered by NICT】

Learning Proximal Operators: Using Denoising Networks for Regularizing Inverse Imaging Problems

著者 (4件)： Meinhardt Tim ,  Moeller Michael ,  Hazirbas Caner ,  Cremers Daniel
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： ICCV  ページ： 1799-1808  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 変分法は画像における線形逆問題を解くための最も強力なツールであったが,深い(畳込み)ニューラルネットワークは,最近多くの挑戦的なベンチマーク中の鉛を採用した。深い学習アプローチの残りの欠点は,特定の問題,雑音レベル,雑音型,忠実度変化の測定はいつでも,高価な再訓練の必要条件である。これに反して,それらは通常別々のデータ忠実度と正則化項から構成されているとして変分法はプラグ・アンド・プレイ性質を持っている。本論文では,多くの凸エネルギー最小化アルゴリズムで用いられる正則化の近位演算子を置換雑音除去ニューラルネットワークの可能性を調べた。後者は,前の陰的自然画像として作用し,一方,データ項は独立に選ぶことができる。異なるぼけカーネルと画像デモザイキングによる画像デコンボリューションの典型的問題における固定雑音除去ニューラルネットワークを用いて,最先端の再構成の結果を得た。これらは提案手法の高い一般化可能性とproblemspecific訓練の必要性の減少を示した。,ネットワークを組み込むに可能な最適化アルゴリズムの解析だけでなく,アルゴリズムパラメータの選択とニューラルネットワークを訓練にある騒音レベルとの関係に関する新しい結果を議論した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： *正則化 ,  ベンチマーク ,  *画像処理 ,  ニューラルネットワーク ,  凸形 ,  *学習 ,  アルゴリズム ,  *雑音除去 ,  逆問題 ,  *ネットワーク ,  変分法 ,  *雑音 ,  画像 ,  畳込み ,  再構成

分類 (2件)： 図形・画像処理一般  (JE04010I) ,  ニューロコンピュータ  (JC06010Q)

タイトルに関連する用語 (6件)： 学習 ,  演算子 ,  正則化 ,  イメージング ,  問題 ,  雑音除去