Single-Shot Plug-and-Play Methods for Inverse Problems

要約

逆問題におけるプラグ アンド プレイ (PnP) 事前分布の利用は、近年ますます顕著になってきています。
この優先順位は、一般的な近接演算子と正規化されたデノイザーの間の数学的等価性に基づいており、さまざまな既製のデノイザー プリアを広範囲の逆問題に適応することが容易になります。
ただし、既存の PnP モデルは主に、大規模なデータセットを使用して事前にトレーニングされたデノイザーに依存しています。
この研究では、シングルショット PnP 手法 (SS-PnP) を導入し、最小限のデータで逆問題を解くことに焦点を移します。
まず、シングルショット近接デノイザーを反復手法に統合し、単一インスタンスでのトレーニングを可能にします。
第 2 に、勾配消失の問題を回避しながら、関連する周波数を保存して細部をキャプチャする新しい関数に基づいた暗黙的なニューラル事前分布を提案します。
私たちは、広範な数値実験と視覚実験を通じて、私たちの方法がより良い近似をもたらすことを実証します。

要約(オリジナル)

The utilisation of Plug-and-Play (PnP) priors in inverse problems has become increasingly prominent in recent years. This preference is based on the mathematical equivalence between the general proximal operator and the regularised denoiser, facilitating the adaptation of various off-the-shelf denoiser priors to a wide range of inverse problems. However, existing PnP models predominantly rely on pre-trained denoisers using large datasets. In this work, we introduce Single-Shot PnP methods (SS-PnP), shifting the focus to solving inverse problems with minimal data. First, we integrate Single-Shot proximal denoisers into iterative methods, enabling training with single instances. Second, we propose implicit neural priors based on a novel function that preserves relevant frequencies to capture fine details while avoiding the issue of vanishing gradients. We demonstrate, through extensive numerical and visual experiments, that our method leads to better approximations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google