論文の概要: Variable Bitrate Neural Fields

• arxiv url: http://arxiv.org/abs/2206.07707v1
• Date: Wed, 15 Jun 2022 17:58:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-16 14:26:07.781751
• Title: Variable Bitrate Neural Fields
• Title（参考訳）: 可変ビットレートニューラルフィールド
• Authors: Towaki Takikawa and Alex Evans and Jonathan Tremblay and Thomas M\"uller and Morgan McGuire and Alec Jacobson and Sanja Fidler
• Abstract要約: 本稿では,特徴格子を圧縮し,メモリ消費を最大100倍に削減する辞書手法を提案する。 辞書の最適化をベクトル量子化オートデコーダ問題として定式化し、直接監督できない空間において、エンドツーエンドの離散神経表現を学習する。
• 参考スコア（独自算出の注目度）: 75.24672452527795
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural approximations of scalar and vector fields, such as signed distance functions and radiance fields, have emerged as accurate, high-quality representations. State-of-the-art results are obtained by conditioning a neural approximation with a lookup from trainable feature grids that take on part of the learning task and allow for smaller, more efficient neural networks. Unfortunately, these feature grids usually come at the cost of significantly increased memory consumption compared to stand-alone neural network models. We present a dictionary method for compressing such feature grids, reducing their memory consumption by up to 100x and permitting a multiresolution representation which can be useful for out-of-core streaming. We formulate the dictionary optimization as a vector-quantized auto-decoder problem which lets us learn end-to-end discrete neural representations in a space where no direct supervision is available and with dynamic topology and structure. Our source code will be available at https://github.com/nv-tlabs/vqad.
• Abstract（参考訳）: 符号付き距離関数や放射場などのスカラー場とベクトル場のニューラル近似は、正確で高品質な表現として現れている。 学習タスクの一部となり、より小さく、より効率的なニューラルネットワークを可能にするトレーニング可能な特徴グリッドから、ニューラルネットワーク近似をルックアップで条件付けすることで、最先端の成果が得られる。 残念なことに、これらの機能グリッドは通常、スタンドアロンのニューラルネットワークモデルに比べてメモリ消費が大幅に増加するコストがかかる。 本稿では,これらの特徴グリッドを圧縮し,メモリ消費を最大100倍削減し,コア外ストリーミングに有用なマルチレゾリューション表現を可能にする辞書手法を提案する。 辞書最適化をベクトル量子化オートデコーダ問題として定式化し、直接監督ができない空間で、動的トポロジーと構造でエンドツーエンドの離散的ニューラルネットワーク表現を学ぶ。 ソースコードはhttps://github.com/nv-tlabs/vqad.com/で入手できる。

関連論文リスト

• RelChaNet: Neural Network Feature Selection using Relative Change Scores [0.0]
  本稿では、ニューラルネットワークの入力層にニューロンのプルーニングと再成長を利用する、新しくて軽量な特徴選択アルゴリズムであるRelChaNetを紹介する。 我々の手法は一般に現在の最先端手法よりも優れており、特にMNISTデータセットの平均精度を2%向上させる。
  論文  参考訳（メタデータ） (2024-10-03T09:56:39Z)
• Graph Neural Networks for Learning Equivariant Representations of Neural Networks [55.04145324152541]
  本稿では,ニューラルネットワークをパラメータの計算グラフとして表現することを提案する。 我々のアプローチは、ニューラルネットワークグラフを多種多様なアーキテクチャでエンコードする単一モデルを可能にする。 本稿では,暗黙的ニューラル表現の分類や編集など,幅広いタスクにおける本手法の有効性を示す。
  論文  参考訳（メタデータ） (2024-03-18T18:01:01Z)
• Generalizable Neural Fields as Partially Observed Neural Processes [16.202109517569145]
  本稿では,ニューラル表現の大規模トレーニングを部分的に観察されたニューラルプロセスフレームワークの一部として考える新しいパラダイムを提案する。 このアプローチは、最先端の勾配に基づくメタラーニングアプローチとハイパーネットワークアプローチの両方より優れていることを実証する。
  論文  参考訳（メタデータ） (2023-09-13T01:22:16Z)
• Masked Wavelet Representation for Compact Neural Radiance Fields [5.279919461008267]
  3Dシーンやオブジェクトを表現するために多層パーセプトロンを使用するには、膨大な計算資源と時間が必要である。 本稿では,データ構造を付加することの利点を損なうことなく,サイズを小さくする方法を提案する。 提案したマスクと圧縮パイプラインにより,2MBのメモリ予算で最先端の性能を実現した。
  論文  参考訳（メタデータ） (2022-12-18T11:43:32Z)
• OLLA: Decreasing the Memory Usage of Neural Networks by Optimizing the Lifetime and Location of Arrays [6.418232942455968]
  OLLAは、ニューラルネットワークのトレーニングに使用されるテンソルの寿命とメモリ位置を最適化するアルゴリズムである。 問題のエンコーディングを単純化し、最先端のニューラルネットワークのサイズにスケールするためのアプローチを可能にするために、いくつかの手法を提案する。
  論文  参考訳（メタデータ） (2022-10-24T02:39:13Z)
• Gluing Neural Networks Symbolically Through Hyperdimensional Computing [8.209945970790741]
  ニューラルネットワークの出力信号の最終的な分類を符号化するためにバイナリハイパーベクタを用いるという概念について検討する。 これにより、複数のニューラルネットワークが協力して問題を解決することができ、オーバーヘッドは少なくなる。 これは、非常に少ないオーバーヘッドを使用しながら、芸術の状態を上回り、あるいはそれと同等であることがわかった。
  論文  参考訳（メタデータ） (2022-05-31T04:44:02Z)
• COIN++: Data Agnostic Neural Compression [55.27113889737545]
  COIN++は、幅広いデータモダリティをシームレスに扱うニューラルネットワーク圧縮フレームワークである。 様々なデータモダリティを圧縮することで,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-01-30T20:12:04Z)
• Instant Neural Graphics Primitives with a Multiresolution Hash Encoding [67.33850633281803]
  品質を犠牲にすることなく、より小さなネットワークを使用できる汎用的な新しい入力符号化を提案する。 小さなニューラルネットワークは、勾配降下によって値が最適化された訓練可能な特徴ベクトルの多分解能ハッシュテーブルによって拡張される。 数桁の高速化を実現し、高品質なニューラルネットワークプリミティブを数秒でトレーニングすることができる。
  論文  参考訳（メタデータ） (2022-01-16T07:22:47Z)
• Meta-Learning Sparse Implicit Neural Representations [69.15490627853629]
  入射神経表現は、一般的な信号を表す新しい道である。 現在のアプローチは、多数の信号やデータセットに対してスケールすることが難しい。 メタ学習型スパースニューラル表現は,高密度メタ学習モデルよりもはるかに少ない損失が得られることを示す。
  論文  参考訳（メタデータ） (2021-10-27T18:02:53Z)
• Neural Sparse Representation for Image Restoration [116.72107034624344]
  スパース符号化に基づく画像復元モデルの堅牢性と効率に触発され,深部ネットワークにおけるニューロンの空間性について検討した。 本手法は,隠れたニューロンに対する空間的制約を構造的に強制する。 実験により、複数の画像復元タスクのためのディープニューラルネットワークではスパース表現が不可欠であることが示されている。
  論文  参考訳（メタデータ） (2020-06-08T05:15:17Z)

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。