論文の概要: PREF: Phasorial Embedding Fields for Compact Neural Representations
- arxiv url: http://arxiv.org/abs/2205.13524v1
- Date: Thu, 26 May 2022 17:43:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-27 15:04:01.444552
- Title: PREF: Phasorial Embedding Fields for Compact Neural Representations
- Title(参考訳): PreF: コンパクトなニューラル表現のためのファソリアル埋め込み場
- Authors: Binbin Huang, Xinhao Yan, Anpei Chen, Shenghua Gao, Jingyi Yu
- Abstract要約: 本稿では,脳神経信号モデリングと再構成作業を容易にするためのコンパクトな表現として,ファサール埋め込みフィールドemphPREFを提案する。
実験の結果,PreFをベースとしたニューラル信号処理技術は,2次元画像補完,3次元SDF表面回帰,5次元放射野再構成と同等であることがわかった。
- 参考スコア(独自算出の注目度): 54.44527545923917
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We present a phasorial embedding field \emph{PREF} as a compact
representation to facilitate neural signal modeling and reconstruction tasks.
Pure multi-layer perceptron (MLP) based neural techniques are biased towards
low frequency signals and have relied on deep layers or Fourier encoding to
avoid losing details. PREF instead employs a compact and physically explainable
encoding field based on the phasor formulation of the Fourier embedding space.
We conduct a comprehensive theoretical analysis to demonstrate the advantages
of PREF over the latest spatial embedding techniques. We then develop a highly
efficient frequency learning framework using an approximated inverse Fourier
transform scheme for PREF along with a novel Parseval regularizer. Extensive
experiments show our compact PREF-based neural signal processing technique is
on par with the state-of-the-art in 2D image completion, 3D SDF surface
regression, and 5D radiance field reconstruction.
- Abstract(参考訳): 本稿では, 神経信号モデリングと再構成作業を容易にするためのコンパクトな表現として, ファサール埋め込み場 \emph{PREF} を提案する。
純粋な多層パーセプトロン(MLP)ベースの神経技術は低周波信号に偏りがあり、詳細を失うのを避けるために深層やフーリエエンコーディングに依存している。
代わりに PreF はフーリエ埋め込み空間のファサー定式化に基づくコンパクトで物理的に説明可能な符号化場を用いる。
我々は,最新の空間埋め込み手法に対するprefの利点を示すために,包括的理論解析を行う。
そこで我々は, PreF の逆フーリエ変換スキームと新しい Parseval 正規化器を用いた高効率な周波数学習フレームワークを開発した。
大規模実験により, 小型のprefを用いた神経信号処理技術は, 2次元画像補完, 3次元sdf表面回帰, 5次元放射野再構成に匹敵することを示した。
関連論文リスト
- Robustifying Fourier Features Embeddings for Implicit Neural Representations [25.725097757343367]
Inlicit Neural Representation (INR) は、目標関数の対応する値に座標をマッピングすることで、連続関数を表現するためにニューラルネットワークを使用する。
INRは、様々な周波数を含むシーンを扱う際に、スペクトルバイアスとして知られる課題に直面している。
本稿では,多層パーセプトロン (MLP) を添加剤なしで使用することを提案する。
論文 参考訳(メタデータ) (2025-02-08T07:43:37Z) - Optimized Sampling for Non-Line-of-Sight Imaging Using Modified Fast Fourier Transforms [6.866110149269]
非線形(NLOS)イメージングシステムは拡散リレー面の光を収集し、3D再構成を出力する計算アルゴリズムに入力する。
これらのアルゴリズムは、Fast Fourier Transform (FFT) を用いて再構成プロセスを高速化するが、入力と出力の両方を均一な格子で空間的にサンプリングする必要がある。
本研究では,既存のNLOS撮像装置が典型的にリレー面を空間的にオーバーサンプリングし,再構成品質を犠牲にすることなく,なぜ圧縮できるのかを説明する。
論文 参考訳(メタデータ) (2025-01-09T13:52:30Z) - FOF-X: Towards Real-time Detailed Human Reconstruction from a Single Image [68.84221452621674]
本稿では,1枚の画像から詳細な人物形状をリアルタイムに再現するFOF-Xを提案する。
FOF-Xはテクスチャや照明による性能劣化を避ける。
FOFとメッシュ表現間の変換アルゴリズムをラプラシアン制約とオートマトンベース不連続整合器で拡張する。
論文 参考訳(メタデータ) (2024-12-08T14:46:29Z) - CVT-xRF: Contrastive In-Voxel Transformer for 3D Consistent Radiance Fields from Sparse Inputs [65.80187860906115]
スパース入力によるNeRFの性能向上のための新しい手法を提案する。
まず, サンプル線が, 3次元空間内の特定のボクセルと交差することを保証するために, ボクセルを用いた放射線サンプリング戦略を採用する。
次に、ボクセル内の追加点をランダムにサンプリングし、トランスフォーマーを適用して各線上の他の点の特性を推測し、ボリュームレンダリングに組み込む。
論文 参考訳(メタデータ) (2024-03-25T15:56:17Z) - Polynomial Neural Fields for Subband Decomposition and Manipulation [78.2401411189246]
我々はニューラルフィールド(PNF)と呼ばれる新しい種類のニューラルフィールドを提案する。
PNFの鍵となる利点は、信号がニューラルネットワークの利点を失うことなく、操作可能なコンポーネントと解釈可能なコンポーネントの合成として表現できることである。
本研究では,Fourier PNFがテクスチャ転送やスケール空間といった信号操作の応用を可能にすることを実証的に示す。
論文 参考訳(メタデータ) (2023-02-09T18:59:04Z) - Factor Fields: A Unified Framework for Neural Fields and Beyond [50.29013417187368]
本稿では、信号のモデリングと表現のための新しいフレームワークであるFacter Fieldsを紹介する。
我々のフレームワークは、NeRF、Plenoxels、EG3D、Instant-NGP、TensoRFなどの最近の信号表現に対応している。
この表現は,2次元画像回帰作業における画像の近似精度の向上,3次元符号付き距離場再構築時の幾何学的品質の向上,および放射場再構成作業におけるコンパクト性の向上を実現している。
論文 参考訳(メタデータ) (2023-02-02T17:06:50Z) - Neural Fourier Filter Bank [18.52741992605852]
本稿では, 効率的かつ高精度な再構築手法を提案する。
ウェーブレットにインスパイアされた我々は、信号が空間的にも周波数的にも分解されるニューラルネットワークを学習する。
論文 参考訳(メタデータ) (2022-12-04T03:45:08Z) - QFF: Quantized Fourier Features for Neural Field Representations [28.82293263445964]
我々は、QFF(Quantized Fourier Features)を用いることで、モデルのサイズが小さくなり、トレーニングが速くなり、複数のアプリケーションの品質が向上することを示した。
QFFは簡単にコーディングでき、高速に計算でき、多くのニューラルネットワーク表現に加えてシンプルなドロップインとして機能する。
論文 参考訳(メタデータ) (2022-12-02T00:11:22Z) - Fourier Features Let Networks Learn High Frequency Functions in Low
Dimensional Domains [69.62456877209304]
単純なフーリエ特徴写像を通して入力点を渡すことで、多層パーセプトロンが高周波関数を学習できることを示す。
結果は、最先端の結果を達成するコンピュータビジョンとグラフィックの進歩に光を当てた。
論文 参考訳(メタデータ) (2020-06-18T17:59:11Z)
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。