DEALing with Image Reconstruction: Deep Attentive Least Squares

要約

最先端の画像再構成は、多くの場合、複雑で高度にパラメーター化された深いアーキテクチャに依存しています。
代替案を提案します。古典的なティコノフの正規化に触発されたデータ駆動型の再構築方法です。
私たちのアプローチは、一連の二次問題を解決することにより、中間再構成を繰り返し洗練します。
これらの更新には、2つの重要なコンポーネントがあります。（i）顕著な画像機能を抽出するフィルターと（ii）フィルター応答のペナルティをローカルに調整する注意メカニズム。
私たちの方法は、プラグアンドプレイの先行と同等のパフォーマンスを実現し、解釈可能性、堅牢性、収束動作を提供しながら、正規者アプローチを学びました。
実際には、原則的な再構成アプローチを使用して、従来の正則化と深い学習を橋渡しします。

要約(オリジナル)

State-of-the-art image reconstruction often relies on complex, highly parameterized deep architectures. We propose an alternative: a data-driven reconstruction method inspired by the classic Tikhonov regularization. Our approach iteratively refines intermediate reconstructions by solving a sequence of quadratic problems. These updates have two key components: (i) learned filters to extract salient image features, and (ii) an attention mechanism that locally adjusts the penalty of filter responses. Our method achieves performance on par with leading plug-and-play and learned regularizer approaches while offering interpretability, robustness, and convergent behavior. In effect, we bridge traditional regularization and deep learning with a principled reconstruction approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google