Sketched Equivariant Imaging Regularization and Deep Internal Learning for Inverse Problems

要約

Equivariant Imaging（EI）の正則化は、地上の真実データを必要とせずに、深いイメージングネットワークの監視されていないトレーニングのための事実上の技術となっています。
EIベースの監視されていないトレーニングパラダイムが現在、高次元アプリケーションの非効率性につながる重要な計算冗長性を持っていることを観察して、加速のためにランダム化されたスケッチテクニックを活用するスケッチされたEI正規化を提案します。
スケッチされたEIの正則化を適用して、テスト時間ネットワークの適応に効率的に適用できる加速された深い内部学習フレームワークを開発します。
さらに、ネットワーク適応タスクの場合、正規化レイヤーのみを最適化することにより、EIとSketched-EIの両方を加速するためのパラメーター効率の高いアプローチを提案します。
X線CTおよびマルチコイル磁気共鳴画像再構成に関する我々の数値研究は、私たちのアプローチが、テスト時に単一入力設定とネットワーク適応で標準のEIカウンターパートよりも重要な計算加速を達成できることを示しています。

要約(オリジナル)

Equivariant Imaging (EI) regularization has become the de-facto technique for unsupervised training of deep imaging networks, without any need of ground-truth data. Observing that the EI-based unsupervised training paradigm currently has significant computational redundancy leading to inefficiency in high-dimensional applications, we propose a sketched EI regularization which leverages the randomized sketching techniques for acceleration. We apply our sketched EI regularization to develop an accelerated deep internal learning framework, which can be efficiently applied for test-time network adaptation. Additionally, for network adaptation tasks, we propose a parameter-efficient approach to accelerate both EI and Sketched-EI via optimizing only the normalization layers. Our numerical study on X-ray CT and multicoil magnetic resonance image reconstruction tasks demonstrate that our approach can achieve significant computational acceleration over standard EI counterpart in single-input setting and network adaptation at test time.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google