Computing Multiple Image Reconstructions with a Single Hypernetwork

要約

ディープラーニングに基づく手法は、圧縮センシングのような幅広い画像再構成タスクにおいて、最先端の結果を達成している。これらの手法は、最適化された損失関数内の異なる項のバランスをとる重み係数のようなハイパーパラメータをほぼ常に持っています。典型的なアプローチは、経験的または理論的な正当性をもって決定されたハイパーパラメータ設定に対してモデルを学習させることです。したがって、推論時に、モデルは事前に決定されたハイパーパラメータ値に対応する再構成のみを計算することができる。本研究では、ハイパーパラメータ設定に依存しない再構成モデルを学習するための、ハイパーネットワークに基づくアプローチ、HyperReconを提案する。HyperReconは推論時に、異なるハイパーパラメータ値に対応する多様な再構成を効率的に生成することができる。このフレームワークでは、ユーザは自分の判断に基づいて最も有用な出力を選択することができる。我々は、2つの大規模かつ一般に利用可能なMRIデータセットを用いて、圧縮センシング、超解像、ノイズ除去のタスクにおいて本手法を実証する。我々のコードは https://github.com/alanqrwang/hyperrecon で公開されている。

要約(オリジナル)

Deep learning based techniques achieve state-of-the-art results in a wide range of image reconstruction tasks like compressed sensing. These methods almost always have hyperparameters, such as the weight coefficients that balance the different terms in the optimized loss function. The typical approach is to train the model for a hyperparameter setting determined with some empirical or theoretical justification. Thus, at inference time, the model can only compute reconstructions corresponding to the pre-determined hyperparameter values. In this work, we present a hypernetwork-based approach, called HyperRecon, to train reconstruction models that are agnostic to hyperparameter settings. At inference time, HyperRecon can efficiently produce diverse reconstructions, which would each correspond to different hyperparameter values. In this framework, the user is empowered to select the most useful output(s) based on their own judgement. We demonstrate our method in compressed sensing, super-resolution and denoising tasks, using two large-scale and publicly-available MRI datasets. Our code is available at https://github.com/alanqrwang/hyperrecon.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL