Accelerating Multiframe Blind Deconvolution via Deep Learning

要約

地上での太陽画像復元は、非線形最適化技術を含む計算コストのかかる手順です。
大気の乱流の存在により、個々の画像に摂動が生じ、ブラインド デコンボリューション手法を適用する必要が生じます。
これらの技術は、大気と摂動のない物体の瞬間的な状態を同時に推測するために使用される多数の短い露光フレームの観察に依存しています。
私たちは最近、このプロセスを加速するために機械学習の使用を検討し、有望な結果をもたらしました。
私たちはこの以前の研究を基にして、より良いモデルにつながるいくつかの興味深い改善を提案します。
同様に、アルゴリズムの展開に基づいて復元を高速化する新しい方法を提案します。
この方法では、画像復元問題は、いくつかの小さなニューラル ネットワークによって展開および加速される勾配降下法によって解決されます。
ニューラル ネットワークの役割は、各反復ステップで解の推定を修正することです。
モデルは、厳選されたデータセットを使用して、少数の固定ステップで最適化を実行するようにトレーニングされます。
私たちの調査結果は、どちらの方法でも標準の最適化手順と比較して復元時間が大幅に短縮されることを示しています。
さらに、3 つの異なる機器からの観察画像を使用して、これらのモデルを教師なしの方法でトレーニングできることを示します。
驚くべきことに、新しいデータセットに適用すると、強力な一般化機能も発揮します。
さらなる研究とコラボレーションを促進するために、私たちはトレーニング済みのモデルを、対応するトレーニングおよび評価コード、トレーニング データセットとともに科学コミュニティにオープンに提供します。

要約(オリジナル)

Ground-based solar image restoration is a computationally expensive procedure that involves nonlinear optimization techniques. The presence of atmospheric turbulence produces perturbations in individual images that make it necessary to apply blind deconvolution techniques. These techniques rely on the observation of many short exposure frames that are used to simultaneously infer the instantaneous state of the atmosphere and the unperturbed object. We have recently explored the use of machine learning to accelerate this process, with promising results. We build upon this previous work to propose several interesting improvements that lead to better models. As well, we propose a new method to accelerate the restoration based on algorithm unrolling. In this method, the image restoration problem is solved with a gradient descent method that is unrolled and accelerated aided by a few small neural networks. The role of the neural networks is to correct the estimation of the solution at each iterative step. The model is trained to perform the optimization in a small fixed number of steps with a curated dataset. Our findings demonstrate that both methods significantly reduce the restoration time compared to the standard optimization procedure. Furthermore, we showcase that these models can be trained in an unsupervised manner using observed images from three different instruments. Remarkably, they also exhibit robust generalization capabilities when applied to new datasets. To foster further research and collaboration, we openly provide the trained models, along with the corresponding training and evaluation code, as well as the training dataset, to the scientific community.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google