機械学習のための深層画像事前分布に関するベストリサーチ パート 1 | Monodeep Mukherjee 著 | 2024年5月

1. SDIP: 画像処理のための自己強化深層画像事前フレームワーク(arXiv)

著者: 紫耀書、 パン・ジーシン

要約: 最近の研究で提案された深層事前画像 (DIP) は、実質的な低レベルの画像統計事前情報を取得するための畳み込みニューラル ネットワーク (>) の固有の特性を明らかにしました。 このフレームワークは画像処理における逆問題に効率的に対処し、さまざまな分野で広範な応用をもたらしています。 ただし、アルゴリズム全体がランダムに初期化されるため、DIP アルゴリズムは安定性に欠けることがよくあります。 したがって、この方法にはまだ改善の余地があります。 本稿では、オリジナルの DIP の改良版として、自己強化ディープ イメージ プリア (SDIP) を提案します。 DIP ネットワークの入力と出力の変化が各反復中に高度に相関していることが観察されました。 SDIP はこの特性を強化学習方式で効率的に利用し、現在の反復の出力をステアリング アルゴリズムが利用して次の反復のネットワーク入力を更新し、結果が改善されるようにアルゴリズムを導きます。 複数のアプリケーションにわたる実験結果は、私たちが提案する SDIP フレームワークが元の DIP 手法や他の最先端の手法と比較して改善をもたらすことを示しています。

2. 深層位相符号化画像事前処理(arXiv)

著者: ニムロッド・シャブタイ、 イーライ・シュワルツ、 ギリース王

要約: 位相コード化イメージングは、画像キャプチャ中に挿入された深度キューを使用して、パッシブ深度推定や拡張被写界深度 (EDOF) などのタスクに取り組むように設計された計算によるイメージング手法です。 現在の深度推定や全焦点イメージングのための深層学習ベースの手法のほとんどは、高品質の深度マップを含むトレーニング データセットと、全焦点画像の無限遠に最適な焦点を必要とします。 このようなデータセットは作成が難しく、通常は合成であり、外部グラフィック プログラムが必要です。 我々は、キャプチャされた画像とイメージングシステムの光学情報のみを使用して、コード化位相画像から深度マップと全焦点画像を共同で復元するための「深位相コード化画像事前」（DPCIP）と呼ばれる新しい方法を提案します。 私たちのアプローチは特定のデータセットに依存せず、同じイメージング システムを利用した以前の教師付き技術を超えています。 この改善は、暗黙的ニューラル表現 (INR) とディープ イメージ プリア (DIP) に基づく問題定式化を利用することで達成されます。 当社のゼロショット手法により、導入された新しい位相コード化システムごとに深度マップと全焦点画像の正確なグラウンドトゥルース データを取得するという障壁を克服できました。 これにより、グラウンドトゥルース データの収集ではなく、主にイメージング システムの開発に集中できるようになります。