DOLPH: Diffusion Models for Phase Retrieval

要約

位相回復とは、複素数値の線形測定値の大きさから画像を復元する問題を指します。
問題が設定されていないため、回復には不明なイメージに関する事前の知識が必要です。
DOLPH は、拡散モデルを使用して事前に指定された画像を、位相回復のための非凸データ忠実度項と統合する、位相回復のための新しいディープ モデル ベース アーキテクチャとして提示します。
拡散モデルは、画像デノイザーとして実装されているため、トレーニングが比較的簡単な最近の深層生成モデルのクラスです。
DOLPH は、データ整合性の更新と拡散モデルのサンプリング ステップを交互に行うことで、高品質のソリューションを再構築します。
数値結果は、ノイズに対する DOLPH のロバスト性と、一連の測定値から複数の候補解を生成する能力を示しています。

要約(オリジナル)

Phase retrieval refers to the problem of recovering an image from the magnitudes of its complex-valued linear measurements. Since the problem is ill-posed, the recovery requires prior knowledge on the unknown image. We present DOLPH as a new deep model-based architecture for phase retrieval that integrates an image prior specified using a diffusion model with a nonconvex data-fidelity term for phase retrieval. Diffusion models are a recent class of deep generative models that are relatively easy to train due to their implementation as image denoisers. DOLPH reconstructs high-quality solutions by alternating data-consistency updates with the sampling step of a diffusion model. Our numerical results show the robustness of DOLPH to noise and its ability to generate several candidate solutions given a set of measurements.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google