Keskeiset käsitteet
データ駆動型深層学習における位相回復のエンドツーエンド学習における対称性の打破が重要である。
Tiivistelmä
Abstract:
画像科学において一般的な非線形逆問題では、前方モデルの対称性が存在する。
データ駆動型深層学習アプローチを使用すると、これらの固有の対称性は学習上の困難を引き起こす。
本論文では、このような困難がどのように発生し、特にどのように克服するかを説明している。
Introduction:
Far-field phase retrieval (FFPR)は科学的イメージングの多くの分野で中心的な非線形逆問題である。
Fourier位相は実用的なイメージングシステムでは失われるため、復元可能性を確保するためには特定の条件が必要。
Methods:
対称性を打ち消す新しい手法「対称性打破」を提案し、トレーニングセットを前処理してからトレーニングすることでエンドツーエンド学習パフォーマンスを大幅に向上させる。
Experiments:
対称性打破はMSEおよびSA-MSE損失を均一に改善し、DNNバックボーンモデルに関係なくパフォーマンスが向上したことが観察された。
対称性打破後、テストパフォーマンスも均一に向上し、データ駆動型手法が基準手法よりも優れていることが示された。
Tilastot
著者らは、「対称性打破」という新しい手法を提案しています。
提案された技術はエンドツーエンド学習パフォーマンスを大幅に向上させます。