画像の超解像でドロップアウトを再フラッシュする
ドロップアウトは、高レベルの視覚タスクでの過剰適合の問題を軽減するように設計されていますが、画像の超解像（SR）などの低レベルの視覚タスクに適用されることはめったにありません。古典的な回帰問題として、SRは高レベルのタスクとは異なる動作を示し、ドロップアウト操作に敏感です。ただし、このホワイトペーパーでは、ドロップアウトを適切に使用するとSRネットワークにメリットがあり、一般化機能が向上することを示します。具体的には、ドロップアウトはネットワークの最後にうまく埋め込まれ、複数の劣化の設定に非常に役立ちます。この発見は私たちの常識を破り、その働きのメカニズムを探求するように私たちを鼓舞します。さらに、2つの分析ツールを使用します。1つは最近のネットワーク解釈作業からのもので、もう1つはこのタスク用に特別に設計されたものです。分析結果は、実験結果の副次的な証明を提供し、SRネットワークを理解す
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
https://arxiv-check-250201.firebaseapp.com/each/2312.13316v3
https://arxiv-check-250201.firebaseapp.com/each/2402.04171v1
https://arxiv-check-250201.firebaseapp.com/each/2312.13316v1
超音波フロー イメージングのクラッター フィルターとしての特異値分解の使用について
Disc-Diff: マルチコントラスト MRI 超解像のためのもつれのない条件付き拡散モデル
粗いものから細かいものまで: 軽量画像超解像度のための階層的ピクセル統合
医用画像超解像のための微調整された敵対的生成ネットワークベースのモデル
医用画像超解像のための微調整された敵対的生成ネットワークベースのモデル
Boomerang: 拡散モデルを使用した画像多様体でのローカル サンプリング
画像超解像のための ISTA にヒントを得たネットワーク
ディーププライアと劣化モデルの反転によるハイパースペクトル画像の超解像
画像の超解像でドロップアウトを再フラッシュする
A-ESRGAN：U-Netディスクリミネーターに注意を払って実世界のブラインド超解像をトレーニング
FreqNet：離散余弦変換を備えた周波数領域画像超解像ネットワーク
ノイズ除去による正則化の解釈と逆投影された忠実度項によるその適用
再トレーニングなしで深層生成モデルの公平性を改善する