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。
画像復元は画像処理において挑戦的なタスクである。多くの方法はこの問題に対処し,非平滑ペナルティ共対数尤度関数を最小化することによりしばしば解決される。解は理論的保証により容易に解釈できるが,その推定は時間を要する最適化プロセスに依存する。画像分類とセグメンテーションのための深層学習の研究努力を考慮して,このクラスの方法は画像復元を実行するための重大な代替案を提供するが,逆問題を解くのに挑戦する。本研究で,著者らは,分析による標準ペナルティ化尤度の最小化に関連した,初期二重近位反復から構築される,深いネットワークを設計し,両方の世界の利点を取り入れることを可能にした。固定層を持つ深いネットワークとして,Condat-Vuプライム-二重ハイブリッド勾配(PDHG)アルゴリズムの特定のインスタンスを再定式化した。学習されたパラメータは,PDHGアルゴリズムステップサイズとペナルティ化に含まれる線形演算子(正則化パラメータを含む)の両方である。これらのパラメータは,層から別のものまで変化する。2つの異なる学習戦略:”Full学習”と”Partial学習”を提案し,第1のものは数値的に最も効率的であり,第2のものは標準PDHG反復における収束を確実にする標準制約に依存する。さらに,より良い特徴表現を追求するために,大域的および局所的スパース解析を研究した。提案手法をMNISTとBSD68データセットの画像復元とBSD100とSET14データセットの単一画像超解像度に適用した。広範な結果は,提案したディープPDNetが,画像復元と単一画像超解像タスクに対して,MNISTとより複雑なBSD68,BSD100,およびSET14データセット上で優れた性能を示すことを明らかにした。【JST・京大機械翻訳】