Equivariant Denoisers for Image Restoration

要約

画像修復の重要な要素の1つは、クリーン画像に関する現実的な事前の事前を定義して、観測内の欠落情報を完成させることです。
最先端の修復方法は、この前のニューラルネットワークに依存しています。
さらに、典型的な画像分布は、回転やフリップなどのいくつかの変換セットに不変です。
ただし、ほとんどの深いアーキテクチャは、不変の画像分布を表すように設計されていません。
最近の作品は、プラグアンドプレイのパラダイムに等量性特性を含めることにより、この困難を克服することを提案しています。
この作業では、equivariant noiseと確率的最適化に基づいて、除去（ERED）によるequivariant Remulizationという名前の統一されたフレームワークを提案します。
このアルゴリズムの収束を分析し、その実際の利点について説明します。

要約(オリジナル)

One key ingredient of image restoration is to define a realistic prior on clean images to complete the missing information in the observation. State-of-the-art restoration methods rely on a neural network to encode this prior. Moreover, typical image distributions are invariant to some set of transformations, such as rotations or flips. However, most deep architectures are not designed to represent an invariant image distribution. Recent works have proposed to overcome this difficulty by including equivariance properties within a Plug-and-Play paradigm. In this work, we propose a unified framework named Equivariant Regularization by Denoising (ERED) based on equivariant denoisers and stochastic optimization. We analyze the convergence of this algorithm and discuss its practical benefit.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google