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。
従来のデコンボリューション法は,最適化を制約するために手作業画像を利用する。深層学習ベースの方法はエンドツーエンド訓練による最適化を単純化するが,訓練データセットにおいて不鮮明なぼけを一般化するのに失敗する。したがって,訓練画像特異的モデルはより高い一般化にとって重要である。深層画像事前(DIP)は,最大事後(MAP)による単一劣化画像によるランダム初期化ネットワークの重みを最適化するためのアプローチを提供し,ネットワークのアーキテクチャが手作業画像として機能できることを示した。統計的に得られる従来の手作業画像とは異なって,画像とそれらの対応するネットワークアーキテクチャの間の関係が不明瞭であるので,適切なネットワークアーキテクチャを見つけるのは難しい。結果として,ネットワークアーキテクチャは,潜在シャープ画像に対して十分な制約を提供できない。本論文では,ブラインド画像デコンボリューション用の新しい変分深層画像事前(VDIP)を提案し,それは,潜在シャープ画像上の付加的手作業画像を利用して,各画素に対する分布を近似し,最適以下の解を回避した。著者らの数学的解析は,提案方法が最適化をよりよく制約できることを示した。実験結果は,さらに,生成された画像がベンチマークデータセットに関して元のDIPのものより良い品質を有することを示した。VDIPのソースコードはhttps://github.com/Dong Huo/VDIP Deconvolutionで利用可能である。【JST・京大機械翻訳】