Deep network series for large-scale high-dynamic range imaging

要約

我々は、大規模ハイダイナミックレンジ計算イメージングのための新しいアプローチを提案します。
エンドツーエンドでトレーニングされたディープ ニューラル ネットワーク (DNN) は、線形逆イメージングの問題をほぼ瞬時に解決できます。
展開されたアーキテクチャは測定設定の変動に対する堅牢性を提供しますが、DNN アーキテクチャに大規模な測定演算子を組み込むことは非現実的です。
代替のプラグ アンド プレイ (PnP) アプローチでは、ノイズ除去 DNN が測定設定を認識せず、スケーラビリティと高ダイナミック レンジの課題に対処するのに効果的であることが証明されていますが、高度に反復的なアルゴリズムに依存しています。
我々は、マッチング追跡の学習バージョンとしても解釈可能な残差 DNN シリーズ アプローチを提案します。ここで、再構成された画像は、ダイナミック レンジを徐々に増加させていく残差画像の合計であり、前の反復の逆投影データ残差を取得する DNN によって反復的に推定されます。
入力として。
我々は、電波天文イメージング シミュレーションで、わずか数項の系列によって PnP に匹敵する再構成品質が数分の 1 のコストで提供されることを実証しました。

要約(オリジナル)

We propose a new approach for large-scale high-dynamic range computational imaging. Deep Neural Networks (DNNs) trained end-to-end can solve linear inverse imaging problems almost instantaneously. While unfolded architectures provide robustness to measurement setting variations, embedding large-scale measurement operators in DNN architectures is impractical. Alternative Plug-and-Play (PnP) approaches, where the denoising DNNs are blind to the measurement setting, have proven effective to address scalability and high-dynamic range challenges, but rely on highly iterative algorithms. We propose a residual DNN series approach, also interpretable as a learned version of matching pursuit, where the reconstructed image is a sum of residual images progressively increasing the dynamic range, and estimated iteratively by DNNs taking the back-projected data residual of the previous iteration as input. We demonstrate on radio-astronomical imaging simulations that a series of only few terms provides a reconstruction quality competitive with PnP, at a fraction of the cost.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google