A signal processing interpretation of noise-reduction convolutional neural networks

要約

エンコーディング/デコーディング CNN は、データ駆動型のノイズ低減において中心的な役割を果たしており、多数の深層学習アルゴリズム内で見つけることができます。
ただし、これらの CNN アーキテクチャの開発はアドホックな方法で行われることが多く、重要な設計選択に対する理論的基礎が一般に不足しています。
現時点までに、これらの CNN の内部動作を説明しようとするさまざまな関連研究が存在します。
それでも、これらのアイデアは散在していたり​​、より多くの聴衆がアクセスできるようにするにはかなりの専門知識が必要な場合があります。
このエキサイティングな分野を開拓するために、この記事では深層畳み込みフレームレットの理論に基づいた直観を構築し、統一された理論的フレームワークで多様な ED CNN アーキテクチャを説明します。
この自己完結型資料は、信号処理の基本原理を深層学習の分野に結びつけることにより、堅牢で効率的な新しい CNN アーキテクチャを設計するための重要なガイダンスを提供します。

要約(オリジナル)

Encoding-decoding CNNs play a central role in data-driven noise reduction and can be found within numerous deep-learning algorithms. However, the development of these CNN architectures is often done in ad-hoc fashion and theoretical underpinnings for important design choices is generally lacking. Up to this moment there are different existing relevant works that strive to explain the internal operation of these CNNs. Still, these ideas are either scattered and/or may require significant expertise to be accessible for a bigger audience. In order to open up this exciting field, this article builds intuition on the theory of deep convolutional framelets and explains diverse ED CNN architectures in a unified theoretical framework. By connecting basic principles from signal processing to the field of deep learning, this self-contained material offers significant guidance for designing robust and efficient novel CNN architectures.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google