Fugu-MT 論文翻訳(概要): Boosting the Sliding Frank-Wolfe solver for 3D deconvolution

論文の概要: Boosting the Sliding Frank-Wolfe solver for 3D deconvolution

arxiv url: http://arxiv.org/abs/2009.05473v1
Date: Fri, 11 Sep 2020 14:48:38 GMT
ステータス: 処理完了
システム内更新日: 2022-10-19 22:10:41.640529
Title: Boosting the Sliding Frank-Wolfe solver for 3D deconvolution
Title（参考訳）: 3次元デコンボリューションのためのスライディングフランクウルフソルバの高速化
Authors: Jean-Baptiste Courbot and Bruno Colicchio
Abstract要約: 高速化されたスライディング・フランク・ウルフアルゴリズムは, 時間を大幅に短縮して同じ結果が得られることを示す。本稿では,この手法を3次元デコンボリューションに利用しやすくするために,この重みを利用するための戦略について検討する。
参考スコア（独自算出の注目度）: 3.04585143845864
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In the context of gridless sparse optimization, the Sliding Frank Wolfe algorithm recently introduced has shown interesting analytical and practical properties. Nevertheless, is application to large data, such as in the case of 3D deconvolution, is computationally heavy. In this paper, we investigate a strategy for leveraging this burden, in order to make this method more tractable for 3D deconvolution. We show that a boosted SFW can achieve the same results in a significantly reduced amount of time.
Abstract（参考訳）: グリッドレススパース最適化の文脈において、最近導入されたスライディング・フランク・ウルフアルゴリズムは興味深い解析的および実用的な性質を示している。それでも、3Dデコンボリューションのような大規模データに適用することは、計算的に重い。本稿では,この手法を3次元デコンボリューションに利用しやすくするために,この重みを利用するための戦略を検討する。また, SFWの増大により, 同じ結果が得られ, 時間を大幅に短縮できることを示した。

関連論文リスト

Neural Signed Distance Function Inference through Splatting 3D Gaussians Pulled on Zero-Level Set [49.780302894956776]
多視点表面再構成における符号付き距離関数(SDF)の推測は不可欠である。本稿では3DGSとニューラルSDFの学習をシームレスに融合する手法を提案する。我々の数値的および視覚的比較は、広く使用されているベンチマークの最先端結果よりも優れていることを示している。
論文参考訳（メタデータ） (2024-10-18T05:48:06Z)
L3DG: Latent 3D Gaussian Diffusion [74.36431175937285]
L3DGは3次元ガウス拡散定式化による3次元ガウスの3次元モデリングのための最初のアプローチである。我々は、部屋の大きさのシーンで効率的に操作するために、スパース畳み込みアーキテクチャーを用いている。 3Dガウス表現を利用することで、生成されたシーンを任意の視点からリアルタイムでレンダリングすることができる。
論文参考訳（メタデータ） (2024-10-17T13:19:32Z)
3DGSR: Implicit Surface Reconstruction with 3D Gaussian Splatting [58.95801720309658]
本稿では,3次元ガウス散乱(3DGS),すなわち3DGSRを用いた暗黙的表面再構成法を提案する。重要な洞察は、暗黙の符号付き距離場(SDF)を3Dガウスに組み込んで、それらが整列され、共同最適化されるようにすることである。実験により, 3DGSの効率とレンダリング品質を保ちながら, 高品質な3D表面再構成が可能な3DGSR法が実証された。
論文参考訳（メタデータ） (2024-03-30T16:35:38Z)
Compact 3D Gaussian Splatting For Dense Visual SLAM [32.37035997240123]
本稿では,ガウス楕円体の数とパラメータサイズを削減できるコンパクトな3次元ガウス格子SLAMシステムを提案する。余剰楕円体を減らすために、スライドウィンドウベースのマスキング戦略が最初に提案されている。本手法は,シーン表現の最先端(SOTA)品質を維持しつつ,高速なトレーニングとレンダリングの高速化を実現する。
論文参考訳（メタデータ） (2024-03-17T15:41:35Z)
Accelerating Convergence of Stein Variational Gradient Descent via Deep Unfolding [5.584060970507506]
スタイン変分勾配勾配(SVGD)は、ターゲット分布をサンプリングするために用いられる顕著な粒子ベースの変分勾配推定法である。本稿では,深層展開(deep Openfolding)と呼ばれる深層学習手法をSVGDに組み込んだ,新しいトレーニング可能なアルゴリズムを提案する。
論文参考訳（メタデータ） (2024-02-23T06:24:57Z)
GS-SLAM: Dense Visual SLAM with 3D Gaussian Splatting [51.96353586773191]
我々は,まず3次元ガウス表現を利用したtextbfGS-SLAM を提案する。提案手法は,地図の最適化とRGB-Dレンダリングの大幅な高速化を実現するリアルタイム微分可能なスプレイティングレンダリングパイプラインを利用する。提案手法は,Replica,TUM-RGBDデータセット上の既存の最先端リアルタイム手法と比較して,競争性能が向上する。
論文参考訳（メタデータ） (2023-11-20T12:08:23Z)
Using a Waffle Iron for Automotive Point Cloud Semantic Segmentation [66.6890991207065]
スパース3D畳み込みは、ディープニューラルネットワークを構築するためのデファクトツールとなっている。本稿では,スパース畳み込みを必要とせず,最先端の手法に到達できる方法を提案する。このような性能のレベルは、大規模かつ高性能な3D知覚に相応しいツールに依存して達成可能であることを示す。
論文参考訳（メタデータ） (2023-01-24T16:10:08Z)
Fast-SNARF: A Fast Deformer for Articulated Neural Fields [92.68788512596254]
本稿では,標準空間とポーズ空間の正確な対応性を求める,ニューラルフィールドのための新しい調音モジュールFast-SNARFを提案する。 Fast-SNARFはこれまでの研究であるSNARFの代替であり、計算効率は大幅に向上した。変形マップの学習は多くの3次元人間のアバター法において重要な要素であるため、この研究は3次元仮想人間の実現に向けた重要なステップであると考えている。
論文参考訳（メタデータ） (2022-11-28T17:55:34Z)
Group Shift Pointwise Convolution for Volumetric Medical Image Segmentation [31.72090839643412]
本稿では,3次元畳み込みの有効性と効率を向上させるために,GSP-Conv(Group Shift Pointwise Convolution)を提案する。 GSP-Convは1x1x1カーネルで3D畳み込みをポイントワイズに単純化し、モデルパラメータやFLOPの数を劇的に削減する。以上の結果から,本手法は3次元畳み込みモデルと同等あるいはそれ以上の性能が得られた。
論文参考訳（メタデータ） (2021-09-26T15:27:33Z)
DV-ConvNet: Fully Convolutional Deep Learning on Point Clouds with Dynamic Voxelization and 3D Group Convolution [0.7340017786387767]
3次元点雲の解釈は、成分点のランダム性と空間性のために難しい課題である。本研究では,効率的な3Dポイントクラウド解釈に向けて,標準的な3Dコンボリューションに注意を向ける。我々のネットワークは、非常に高速に動作し、収束することができるが、いくつかのベンチマークデータセットの最先端の手法と比較して、オンパーまたはさらにパフォーマンスが向上する。
論文参考訳（メタデータ） (2020-09-07T07:45:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。