A Regularized Conditional GAN for Posterior Sampling in Inverse Problems

要約

逆問題では、不完全および/または劣化した測定値から画像を再構築しようとします。
このような問題は、磁気共鳴画像法 (MRI)、コンピューター断層撮影法、ブレ除去、超解像、修復、およびその他のアプリケーションで発生します。
多くの画像仮説が測定値と以前の情報の両方と一致することがよくあります。そのため、目標は単一の「最良の」仮説を回復することではなく、可能性のある仮説の空間を探索することです。
事後分布。
この作業では、毎秒数十の高品質事後サンプルを生成できる正規化された条件付きワッサースタイン GAN を提案します。
条件付き Fr\'{e}chet 開始距離などの定量的評価指標を使用して、マルチコイル MRI と修復アプリケーションの両方で、この方法が最先端の後部サンプルを生成することを示します。

要約(オリジナル)

In inverse problems, one seeks to reconstruct an image from incomplete and/or degraded measurements. Such problems arise in magnetic resonance imaging (MRI), computed tomography, deblurring, superresolution, inpainting, and other applications. It is often the case that many image hypotheses are consistent with both the measurements and prior information, and so the goal is not to recover a single “best” hypothesis but rather to explore the space of probable hypotheses, i.e., to sample from the posterior distribution. In this work, we propose a regularized conditional Wasserstein GAN that can generate dozens of high-quality posterior samples per second. Using quantitative evaluation metrics like conditional Fr\'{e}chet inception distance, we demonstrate that our method produces state-of-the-art posterior samples in both multicoil MRI and inpainting applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google