Meta-Prior: Meta learning for Adaptive Inverse Problem Solvers

要約

ディープ ニューラル ネットワークは、イメージングの逆問題に対処するための基礎的なツールとなっています。
通常、これらは特定のタスクに合わせて訓練され、観察結果から復元する画像へのマッピングを学習する教師あり損失が行われます。
ただし、現実世界のイメージングの課題にはグラウンド トゥルース データが不足していることが多く、従来の教師付きアプローチは効果がありません。
さらに、新しいイメージング タスクごとに、新しいモデルを最初からトレーニングする必要があり、時間とリソースが無駄になります。
これらの制限を克服するために、メタ学習に基づく新しいアプローチを導入します。
私たちの方法では、さまざまなイメージング タスクのセットでメタモデルをトレーニングするため、わずかな微調整ステップで特定のタスクに合わせてモデルを効率的に微調整できます。
提案された方法が、グランドトゥルースデータが利用できない教師なし設定にも適用されることを示します。
2 レベルの定式化では、外側のレベルでは、微調整されたモデルのパフォーマンスを評価する教師あり損失が使用されますが、内側の損失は、測定オペレーターのみに依存して、教師ありまたは教師なしのいずれかにすることができます。
これにより、メタモデルはタスクごとにいくつかのグラウンド トゥルース サンプルを活用しながら、新しいイメージング タスクに一般化できるようになります。
単純な設定では、このアプローチがベイズ最適推定量を回復することを示し、アプローチの健全性を示します。
また、画像処理や磁気共鳴イメージングなどのさまざまなタスクに対するこの方法の有効性も実証します。

要約(オリジナル)

Deep neural networks have become a foundational tool for addressing imaging inverse problems. They are typically trained for a specific task, with a supervised loss to learn a mapping from the observations to the image to recover. However, real-world imaging challenges often lack ground truth data, rendering traditional supervised approaches ineffective. Moreover, for each new imaging task, a new model needs to be trained from scratch, wasting time and resources. To overcome these limitations, we introduce a novel approach based on meta-learning. Our method trains a meta-model on a diverse set of imaging tasks that allows the model to be efficiently fine-tuned for specific tasks with few fine-tuning steps. We show that the proposed method extends to the unsupervised setting, where no ground truth data is available. In its bilevel formulation, the outer level uses a supervised loss, that evaluates how well the fine-tuned model performs, while the inner loss can be either supervised or unsupervised, relying only on the measurement operator. This allows the meta-model to leverage a few ground truth samples for each task while being able to generalize to new imaging tasks. We show that in simple settings, this approach recovers the Bayes optimal estimator, illustrating the soundness of our approach. We also demonstrate our method’s effectiveness on various tasks, including image processing and magnetic resonance imaging.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google