Fugu-MT 論文翻訳(概要): Multi-dimensional Signal Recovery using Low-rank Deconvolution

論文の概要: Multi-dimensional Signal Recovery using Low-rank Deconvolution

arxiv url: http://arxiv.org/abs/2305.02264v1
Date: Wed, 3 May 2023 16:51:43 GMT
ステータス: 処理完了
システム内更新日: 2023-05-04 13:58:29.227588
Title: Multi-dimensional Signal Recovery using Low-rank Deconvolution
Title（参考訳）: 低ランクデコンボリューションを用いた多次元信号復元
Authors: David Reixach
Abstract要約: 低ランクデコンボリューションは低レベルのフィーチャーマップ学習のためのフレームワークである。圧縮された映像表現を学習し、画像のインペイント問題を解くことにより、その利点を示す。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: In this work we present Low-rank Deconvolution, a powerful framework for low-level feature-map learning for efficient signal representation with application to signal recovery. Its formulation in multi-linear algebra inherits properties from convolutional sparse coding and low-rank approximation methods as in this setting signals are decomposed in a set of filters convolved with a set of low-rank tensors. We show its advantages by learning compressed video representations and solving image in-painting problems.
Abstract（参考訳）: 本研究では,効率的な信号表現のための低レベル特徴マップ学習のための強力なフレームワークであるlow-rank deconvolutionを提案する。多重線型代数の定式化は、畳み込みのスパース符号とローランク近似法から性質を継承し、この設定信号は低ランクテンソルの集合に付随するフィルタの集合に分解される。圧縮映像表現を学習し,画像インペインティング問題を解くことで,その利点を示す。

関連論文リスト

Synergistic Integration of Coordinate Network and Tensorial Feature for Improving Neural Radiance Fields from Sparse Inputs [26.901819636977912]
本稿では,低周波信号に対する強いバイアスで知られる座標ネットワークと多面表現を統合する手法を提案する。提案手法は,スパース入力を持つ静的および動的NeRFのベースラインモデルよりも優れていることを示す。
論文参考訳（メタデータ） (2024-05-13T15:42:46Z)
Implicit Neural Representations and the Algebra of Complex Wavelets [36.311212480600794]
Inlicit Neural representations (INRs) はユークリッド領域におけるシグナルの表現法として有用である。ユークリッド空間上の多層パーセプトロン(MLP)として画像をパラメータ化することにより、INRは通常の離散表現では明らかでない信号の結合やスペクトルの特徴を効果的に表現する。
論文参考訳（メタデータ） (2023-10-01T02:01:28Z)
Random Weight Factorization Improves the Training of Continuous Neural Representations [1.911678487931003]
連続神経表現は、信号の古典的な離散化表現に代わる強力で柔軟な代替物として登場した。従来の線形層をパラメータ化・初期化するための単純なドロップイン置換法としてランダムウェイト係数化を提案する。ネットワーク内の各ニューロンが、自身の自己適応学習率を用いて学習できるように、この因子化が基盤となる損失状況をどのように変化させるかを示す。
論文参考訳（メタデータ） (2022-10-03T23:48:48Z)
Convolutional Learning on Multigraphs [153.20329791008095]
我々は、多グラフ上の畳み込み情報処理を開発し、畳み込み多グラフニューラルネットワーク(MGNN)を導入する。情報拡散の複雑なダイナミクスを多グラフのエッジのクラス間で捉えるために、畳み込み信号処理モデルを定式化する。我々は,計算複雑性を低減するため,サンプリング手順を含むマルチグラフ学習アーキテクチャを開発した。導入されたアーキテクチャは、最適な無線リソース割り当てとヘイトスピーチローカライゼーションタスクに適用され、従来のグラフニューラルネットワークよりも優れたパフォーマンスを提供する。
論文参考訳（メタデータ） (2022-09-23T00:33:04Z)
Edge-oriented Implicit Neural Representation with Channel Tuning [1.6114012813668934]
入射神経表現は、イメージを離散格子形式ではなく連続関数として表現する。暗黙の表現を訓練するための画像の勾配を計算するグラディエント・マグニチュード調整アルゴリズムを提案する。また、鮮明なエッジで画像を再構成できるエッジ指向表現ネットワーク(EoREN)を提案する。
論文参考訳（メタデータ） (2022-09-22T01:01:46Z)
Rank-Enhanced Low-Dimensional Convolution Set for Hyperspectral Image Denoising [50.039949798156826]
本稿では,ハイパースペクトル(HS)画像の難解化問題に対処する。ランク付き低次元畳み込み集合(Re-ConvSet)を提案する。次に、Re-ConvSetを広く使われているU-Netアーキテクチャに組み込んで、HS画像復号法を構築する。
論文参考訳（メタデータ） (2022-07-09T13:35:12Z)
Learning Discriminative Shrinkage Deep Networks for Image Deconvolution [122.79108159874426]
本稿では,これらの用語を暗黙的にモデル化する識別的縮小関数を学習することで,効果的に非盲検デコンボリューション手法を提案する。実験結果から,提案手法は最先端の手法に対して,効率と精度の点で好適に動作することがわかった。
論文参考訳（メタデータ） (2021-11-27T12:12:57Z)
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)
Modulated Periodic Activations for Generalizable Local Functional Representations [113.64179351957888]
我々は,複数のインスタンスに一般化し,最先端の忠実性を実現する新しい表現を提案する。提案手法は,画像,映像,形状の汎用的な機能表現を生成し,単一信号に最適化された先行処理よりも高い再構成品質を実現する。
論文参考訳（メタデータ） (2021-04-08T17:59:04Z)
MetaSDF: Meta-learning Signed Distance Functions [85.81290552559817]
ニューラルな暗示表現で形状を一般化することは、各関数空間上の学習先行値に比例する。形状空間の学習をメタラーニング問題として定式化し、勾配に基づくメタラーニングアルゴリズムを利用してこの課題を解決する。
論文参考訳（メタデータ） (2020-06-17T05:14:53Z)

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。