抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
畳み込みニューラルネットワーク(CNNs)のような深層学習(DL)アーキテクチャは,画像雑音除去における効果的な解決策を可能にしたが,一般的に,それらの実装は訓練データ,解釈可能性の欠如,および大きなパラメータ集合の調整を必要とする。本論文では,古典的グラフ信号フィルタリングと深層特徴学習を競合ハイブリッド設計に組み合わせ,解釈可能な解析的低域グラフフィルタを利用し,最先端のDL雑音除去方式DnCNNよりも80%少ないネットワークパラメータを採用した。具体的には,グラフスペクトルフィルタリングのための適切な類似性グラフを構築するために,まず,画素当たりの特徴表現を学習するためにCNNを採用し,次にエッジ重みを確立するために特徴距離を計算した。構築したグラフを与えて,次にグラフ全変動(GTV)を用いて雑音除去のための凸最適化問題を定式化した。l_1グラフラプラシアン再定式化により,グラフローパスフィルタとして反復手順で解を解釈し,その周波数応答を導いた。高速フィルタ実装のために,Lanczos近似を用いてこの応答を実現した。実験結果は,統計的ミストマッチの場合,このアルゴリズムがPSNRにおいて3dBまでDnCNNを凌駕することを示した。【JST・京大機械翻訳】