文献

J-GLOBAL ID：202202273626438961   整理番号：22A0788812

タスク特異的画像再構成損失の訓練【JST・京大機械翻訳】

Training a Task-Specific Image Reconstruction Loss

著者 (5件)： Mustafa Aamir (University of Cambridge,UK) ,  Mikhailiuk Aliaksei (University of Cambridge,UK) ,  Iliescu Dan Andrei (University of Cambridge,UK) ,  Babbar Varun (University of Cambridge,UK) ,  Mantiuk Rafal K. (University of Cambridge,UK)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2022  号： WACV  ページ： 21-30  発行年： 2022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： 損失関数の選択は,単一画像超解像のような画像復元問題のためのニューラルネットワークを訓練するとき,重要因子である。損失関数は,自然および知覚的に plな結果を奨励するべきである。損失のための一般的な選択は,VGGのような事前訓練ネットワークであり,それは,復元と参照画像の間の差異を計算するための特徴抽出器として使用される。しかし,そのようなアプローチは複数の欠点を持つ:それは計算上高価であり,正則化とハイパーパラメータ調整を必要とし,無関係なタスクで訓練された大きなネットワークを含む。さらに,すべてのアプリケーションおよび異なるデータセットにわたって最良に働く単一損失関数がないことが観察された。本研究では,自然で特定のアプリケーションである損失関数のセットを訓練することを提案する。この損失関数は,アプリケーション固有のアーチファクトの存在を検出し,ペナルティ化するために訓練された一連の識別器から成る。単一画像超分解能,雑音除去,JPEGアーチファクト除去のようなアプリケーションにおいて,最先端の損失関数よりも性能が優れている特徴抽出器を訓練するために,単一自然画像と対応歪が十分であることを示した。最後に,効果的な損失関数は,知覚された画像品質の良好な予測子ではなく,代わりに,与えられた復元方法に対する歪みの同定に特殊化する必要があると結論した。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 損失関数 ,  ネットワーク ,  ニューラルネットワーク ,  特徴抽出 ,  画質 ,  応用プログラム ,  超解像 ,  正則化 ,  ペナルティ ,  アーチファクト ,  JPEG ,  *画像再構成 ,  画像復元 ,  雑音除去
準シソーラス用語： ハイパーパラメータ , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (4件)： タスク ,  画像再構成 ,  損失 ,  訓練