First-order geometric multilevel optimization for discrete tomography

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F21%3A00542259" target="_blank" >RIV/67985556:_____/21:00542259 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1007/978-3-030-75549-2_16" target="_blank" >http://dx.doi.org/10.1007/978-3-030-75549-2_16</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-030-75549-2_16" target="_blank" >10.1007/978-3-030-75549-2_16</a>

Jazyk výsledku

angličtina

Název v původním jazyce

First-order geometric multilevel optimization for discrete tomography

Popis výsledku v původním jazyce

Discrete tomography (DT) naturally leads to a hierarchy of models of varying discretization levels. We employ multilevel optimization (MLO) to take advantage of this hierarchy: while working at the fine level we compute the search direction based on a coarse model. Importing concepts from information geometry to the n-orthotope, we propose a smoothing operator that only uses first-order information and incorporates constraints smoothly. We show that the proposed algorithm is well suited to the ill-posed reconstruction problem in DT, compare it to a recent MLO method that nonsmoothly incorporates box constraints and demonstrate its efficiency on several large-scale examples.

Název v anglickém jazyce

First-order geometric multilevel optimization for discrete tomography

Popis výsledku anglicky

Discrete tomography (DT) naturally leads to a hierarchy of models of varying discretization levels. We employ multilevel optimization (MLO) to take advantage of this hierarchy: while working at the fine level we compute the search direction based on a coarse model. Importing concepts from information geometry to the n-orthotope, we propose a smoothing operator that only uses first-order information and incorporates constraints smoothly. We show that the proposed algorithm is well suited to the ill-posed reconstruction problem in DT, compare it to a recent MLO method that nonsmoothly incorporates box constraints and demonstrate its efficiency on several large-scale examples.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10102 - Applied mathematics

Projekt

—

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2021

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Scale Space and Variational Methods in Computer Vision: 8th International Conference, SSVM 2021

ISBN

978-3-030-75549-2

ISSN

—

e-ISSN

—

Počet stran výsledku

13

Strana od-do

191-203

Název nakladatele

Springer

Místo vydání

Cham

Místo konání akce

Virtual Event

Datum konání akce

16. 5. 2021

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—