要約
タイトル:画像のノイズ除去とCT再構成のためのMulti-code deep image prior based plug-and-play ADMM
要約:
– 畳み込みニューラルネットワークに基づくpriorを使用した画像の逆問題の手法は、最近ますます人気が高まっています。
– 現在の最先端の手法は、過学習の問題があり、そのために過学習を除去するための様々なアプローチが必要です。
– 多様なlatent codesを使用したDeep image priorに基づくMulti-code deep image prior手法を提案し、過学習を除去することができます。
– ハンドクラフトされたpriorの非微分性に対応するために、ADMMアルゴリズムを使用します。
– 比較対象として、CelebAデータセットの画像ノイズ除去とCT再構成問題における既存の最先端の手法と比較し、提案手法の性能を評価しました。
– 注目すべき結果として、CelebAデータセットの画像ノイズ除去に対して、比較対象のすべての手法に対して1.46 dBのピーク信号対雑音比改善を得ました。
– CT再構成においては、3つのテスト画像の平均改善率が、DIPに対して4.3 dB、ADMM DIP-WTVに対して1.7 dB、PnP-DIPに対して1.2 dBであり、構造類似性指標でも有意な改善がみられました。
要約(オリジナル)
The use of the convolutional neural network based prior in imaging inverse problems has become increasingly popular. Current state-of-the-art methods, however, can easily result in severe overfitting, which makes a number of early stopping techniques necessary to eliminate the overfitting problem. To motivate our work, we review some existing approaches to image priors. We find that the deep image prior in combined with the handcrafted prior has an outstanding performance in terms of interpretability and representability. We propose a multi-code deep image prior, a multiple latent codes variant of the deep image prior, which can be utilized to eliminate overfitting and is also robust to the different numbers of the latent codes. Due to the non-differentiability of the handcrafted prior, we use the alternative direction method of multipliers (ADMM) algorithm. We compare the performance of the proposed method on an image denoising problem and a highly ill-posed CT reconstruction problem against the existing state-of-the-art methods, including PnP-DIP, DIP-VBTV and ADMM DIP-WTV methods. For the CelebA dataset denoising, we obtain 1.46 dB peak signal to noise ratio improvement against all compared methods. For the CT reconstruction, the corresponding average improvement of three test images is 4.3 dB over DIP, and 1.7 dB over ADMM DIP-WTV, and 1.2 dB over PnP-DIP along with a significant improvement in the structural similarity index.
arxiv情報
著者 | Chen Cheng,Qingping Zhou |
発行日 | 2023-04-12 03:55:25+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, OpenAI