論文の概要: Multidirectional Conjugate Gradients for Scalable Bundle Adjustment

• arxiv url: http://arxiv.org/abs/2110.04015v1
• Date: Fri, 8 Oct 2021 10:21:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-11 15:06:23.225863
• Title: Multidirectional Conjugate Gradients for Scalable Bundle Adjustment
• Title（参考訳）: スケーラブルバンドル調整のための多方向共役勾配
• Authors: Simon Weber, Nikolaus Demmel, Daniel Cremers
• Abstract要約: 本稿では,正規方程式の解を最大61%高速化する手法を提案する。 複数の探索方向を含む古典的条件付き共役勾配の探索空間を拡大する。 結果として得られたアルゴリズムは、より少ないイテレーションを必要とするため、大規模な再構築の大幅なスピードアップにつながる。
• 参考スコア（独自算出の注目度）: 57.18172547021947
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We revisit the problem of large-scale bundle adjustment and propose a technique called Multidirectional Conjugate Gradients that accelerates the solution of the normal equation by up to 61%. The key idea is that we enlarge the search space of classical preconditioned conjugate gradients to include multiple search directions. As a consequence, the resulting algorithm requires fewer iterations, leading to a significant speedup of large-scale reconstruction, in particular for denser problems where traditional approaches notoriously struggle. We provide a number of experimental ablation studies revealing the robustness to variations in the hyper-parameters and the speedup as a function of problem density.
• Abstract（参考訳）: 大規模バンドル調整の問題を再検討し、正規方程式の解を最大61%高速化する多方向共役勾配と呼ばれる手法を提案する。 鍵となるアイデアは、古典的条件付き共役勾配の探索空間を拡大し、複数の探索方向を含むことである。 結果として、結果のアルゴリズムはイテレーションを少なくする必要があり、特に従来のアプローチが苦戦する高密度な問題に対して、大規模な再構築の大幅な高速化につながる。 問題密度の関数としてのハイパーパラメータとスピードアップの変動に対するロバスト性を明らかにする実験的なアブレーション研究を多数提供している。

関連論文リスト

• Decomposed Diffusion Sampler for Accelerating Large-Scale Inverse Problems [64.29491112653905]
  本稿では, 拡散サンプリング法とクリロフ部分空間法を相乗的に組み合わせた, 新規で効率的な拡散サンプリング手法を提案する。 具体的には、ツイーディの公式による分母化標本における接空間がクリロフ部分空間を成すならば、その分母化データによるCGは、接空間におけるデータの整合性更新を確実に維持する。 提案手法は,従来の最先端手法よりも80倍以上高速な推論時間を実現する。
  論文  参考訳（メタデータ） (2023-03-10T07:42:49Z)
• Reweighted Interacting Langevin Diffusions: an Accelerated Sampling Methodfor Optimization [28.25662317591378]
  本稿では, サンプリング手法を高速化し, 難解な最適化問題の解法を提案する。 提案手法は, 後部分布サンプリングとLangevin Dynamicsを用いた最適化の関連性について検討する。
  論文  参考訳（メタデータ） (2023-01-30T03:48:20Z)
• Revisiting the acceleration phenomenon via high-resolution differential equations [6.53306151979817]
  ネステロフの加速勾配降下(NAG)は、一階アルゴリズムの歴史におけるマイルストーンの1つである。 Lyapunov解析と位相空間表現に基づく$mu$-strongly convex関数のNAGについて検討する。 NAGの暗黙的速度スキームによる高分解能微分方程式の枠組みは完璧であり、勾配補正スキームよりも優れていた。
  論文  参考訳（メタデータ） (2022-12-12T04:36:37Z)
• Improving Diffusion Models for Inverse Problems using Manifold Constraints [55.91148172752894]
  我々は,現在の解法がデータ多様体からサンプルパスを逸脱し,エラーが蓄積することを示す。 この問題に対処するため、多様体の制約に着想を得た追加の補正項を提案する。 本手法は理論上も経験上も従来の方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-06-02T09:06:10Z)
• Bregman divergence based em algorithm and its application to classical and quantum rate distortion theory [61.12008553173672]
  本稿では,Bregman分散系における指数サブファミリーと混合サブファミリー間のBregman分散の最小化問題に対処する。 このアルゴリズムを量子設定を含む歪みとその変種の評価に適用する。
  論文  参考訳（メタデータ） (2022-01-07T13:33:28Z)
• Towards Mixed-Precision Quantization of Neural Networks via Constrained Optimization [28.76708310896311]
  本稿では,混合精度量子化問題を解くための原理的枠組みを提案する。 提案手法は原理的手法で導出され,より計算効率がよいことを示す。
  論文  参考訳（メタデータ） (2021-10-13T08:09:26Z)
• Achieving fast high-fidelity optimal control of many-body quantum dynamics [0.0]
  本稿では, 難解な多体問題に適用することで, 最近の高精度最適制御手法の有効性を実証する。 我々は, プロセスの最小期間推定値を用いて, 0.99-0.9999の範囲の忠実度を観測した。 全体として、この比較は理想的なオープンループ設定における多体システムに対しても重要な方法論的改善を示唆している。
  論文  参考訳（メタデータ） (2020-08-13T18:30:24Z)
• Cogradient Descent for Bilinear Optimization [124.45816011848096]
  双線形問題に対処するために、CoGDアルゴリズム(Cogradient Descent Algorithm)を導入する。 一方の変数は、他方の変数との結合関係を考慮し、同期勾配降下をもたらす。 本アルゴリズムは,空間的制約下での1変数の問題を解くために応用される。
  論文  参考訳（メタデータ） (2020-06-16T13:41:54Z)
• Total Deep Variation: A Stable Regularizer for Inverse Problems [71.90933869570914]
  本稿では,データ駆動型汎用全深度変動正規化器について紹介する。 コアでは、畳み込みニューラルネットワークが複数のスケールや連続したブロックで局所的な特徴を抽出する。 我々は多数の画像処理タスクに対して最先端の結果を得る。
  論文  参考訳（メタデータ） (2020-06-15T21:54:15Z)
• Stochastic gradient algorithms from ODE splitting perspective [0.0]
  我々は、ODEの近似解の分割スキームに遡る最適化に関する異なる見解を示す。 そこで本研究では, ODE の勾配一階分割方式と降下アプローチの関連性について述べる。 我々は、機械学習アプリケーションにインスパイアされた分割の特殊なケースを考察し、それに対するグローバルスプリッティングエラーに新たな上限を導出する。
  論文  参考訳（メタデータ） (2020-04-19T22:45:32Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。