Fugu-MT 論文翻訳(概要): Efficient Neural Representation of Volumetric Data using Coordinate-Based Networks

論文の概要: Efficient Neural Representation of Volumetric Data using Coordinate-Based Networks

arxiv url: http://arxiv.org/abs/2401.08840v1
Date: Tue, 16 Jan 2024 21:33:01 GMT
ステータス: 処理完了
システム内更新日: 2024-01-18 17:50:52.872075
Title: Efficient Neural Representation of Volumetric Data using Coordinate-Based Networks
Title（参考訳）: 座標系ネットワークを用いたボリュームデータの効率的なニューラル表現
Authors: Sudarshan Devkota, Sumanta Pattanaik
Abstract要約: 本稿では,座標ネットワークとハッシュ符号化を用いたボリュームデータの圧縮と表現のための効率的な手法を提案する。提案手法は,空間座標と強度値のマッピングを学習することで,効率的な圧縮を実現する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this paper, we propose an efficient approach for the compression and representation of volumetric data utilizing coordinate-based networks and multi-resolution hash encoding. Efficient compression of volumetric data is crucial for various applications, such as medical imaging and scientific simulations. Our approach enables effective compression by learning a mapping between spatial coordinates and intensity values. We compare different encoding schemes and demonstrate the superiority of multi-resolution hash encoding in terms of compression quality and training efficiency. Furthermore, we leverage optimization-based meta-learning, specifically using the Reptile algorithm, to learn weight initialization for neural representations tailored to volumetric data, enabling faster convergence during optimization. Additionally, we compare our approach with state-of-the-art methods to showcase improved image quality and compression ratios. These findings highlight the potential of coordinate-based networks and multi-resolution hash encoding for an efficient and accurate representation of volumetric data, paving the way for advancements in large-scale data visualization and other applications.
Abstract（参考訳）: 本稿では,座標ベースネットワークとマルチ解像度ハッシュ符号化を用いたボリュームデータの圧縮と表現のための効率的な手法を提案する。ボリュームデータの効率的な圧縮は、医用画像や科学シミュレーションなどの様々な用途に不可欠である。提案手法は,空間座標と強度値のマッピングを学習することで,効率的な圧縮を実現する。異なる符号化方式を比較し,圧縮品質とトレーニング効率の観点から,マルチレゾリューションハッシュ符号化の優位性を示す。さらに、最適化に基づくメタラーニング、特にレプティルアルゴリズムを用いて、ボリュームデータに合わせたニューラルネットワーク表現の重み初期化を学習し、最適化中の収束を高速化する。さらに,本手法を最先端の手法と比較し,画質と圧縮率の向上を示す。これらの知見は,大規模データ可視化などの応用において,コーディネートベースネットワークとマルチレゾリューションハッシュエンコーディングが有効かつ正確なボリュームデータの表現を可能にする可能性を強調した。

関連論文リスト

Joint Hierarchical Priors and Adaptive Spatial Resolution for Efficient Neural Image Compression [11.25130799452367]
ニューラル画像圧縮(NIC)のための絶対画像圧縮変換器(ICT)を提案する。 ICTは、潜在表現からグローバルコンテキストとローカルコンテキストの両方をキャプチャし、量子化された潜在表現の分布をパラメータ化する。我々のフレームワークは、多目的ビデオ符号化(VVC)参照符号化(VTM-18.0)とニューラルスウィンT-ChARMに対する符号化効率とデコーダ複雑性のトレードオフを大幅に改善する。
論文参考訳（メタデータ） (2023-07-05T13:17:14Z)
Compression with Bayesian Implicit Neural Representations [16.593537431810237]
本稿では,データに変分ニューラルネットワークをオーバーフィッティングし,相対エントロピー符号化を用いて近似後重みサンプルを圧縮し,量子化やエントロピー符号化を行う。実験により,本手法は単純さを維持しつつ,画像および音声の圧縮に強い性能を発揮することが示された。
論文参考訳（メタデータ） (2023-05-30T16:29:52Z)
Distributed Neural Representation for Reactive in situ Visualization [23.80657290203846]
Inlicit Neural representations (INR) は、大規模ボリュームデータを圧縮するための強力なツールとして登場した。分散ニューラル表現を開発し,それをその場での可視化に最適化する。我々の技術はプロセス間のデータ交換を排除し、最先端の圧縮速度、品質、比率を達成する。
論文参考訳（メタデータ） (2023-03-28T03:55:47Z)
Neural Data-Dependent Transform for Learned Image Compression [72.86505042102155]
ニューラルデータに依存した変換を構築し,各画像の符号化効率を最適化する連続オンラインモード決定機構を導入する。実験の結果,提案したニューラルシンタクス設計と連続オンラインモード決定機構の有効性が示された。
論文参考訳（メタデータ） (2022-03-09T14:56:48Z)
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)
Variable-Rate Deep Image Compression through Spatially-Adaptive Feature Transform [58.60004238261117]
空間特徴変換(SFT arXiv:1804.02815)に基づく多目的深部画像圧縮ネットワークを提案する。本モデルは,任意の画素単位の品質マップによって制御される単一モデルを用いて,幅広い圧縮速度をカバーしている。提案するフレームワークにより,様々なタスクに対してタスク対応の画像圧縮を行うことができる。
論文参考訳（メタデータ） (2021-08-21T17:30:06Z)
Deep data compression for approximate ultrasonic image formation [1.0266286487433585]
超音波イメージングシステムでは、別のコンピュータ装置でデータ取得と画像形成を行う。ディープニューラルネットワークは、特定の画像形成方法の画質を維持するために最適化されている。
論文参考訳（メタデータ） (2020-09-04T16:43:12Z)
Towards Analysis-friendly Face Representation with Scalable Feature and Texture Compression [113.30411004622508]
普遍的で協調的な視覚情報表現は階層的な方法で実現できることを示す。ディープニューラルネットワークの強力な生成能力に基づいて、基本特徴層と強化層の間のギャップは、特徴レベルのテクスチャ再構築によってさらに埋められる。提案するフレームワークの効率を改善するために,ベース層ニューラルネットワークをマルチタスクでトレーニングする。
論文参考訳（メタデータ） (2020-04-21T14:32:49Z)
Understanding the Effects of Data Parallelism and Sparsity on Neural Network Training [126.49572353148262]
ニューラルネットワークトレーニングにおける2つの要因として,データ並列性と疎性について検討する。有望なメリットにもかかわらず、ニューラルネットワークトレーニングに対する彼らの影響を理解することは、依然として明白である。
論文参考訳（メタデータ） (2020-03-25T10:49:22Z)
End-to-End Facial Deep Learning Feature Compression with Teacher-Student Enhancement [57.18801093608717]
本稿では,ディープニューラルネットワークの表現と学習能力を活用することで,エンドツーエンドの特徴圧縮手法を提案する。特に、抽出した特徴量を、レート歪みコストを最適化することにより、エンドツーエンドでコンパクトに符号化する。提案モデルの有効性を顔の特徴で検証し, 圧縮性能を高いレート精度で評価した。
論文参考訳（メタデータ） (2020-02-10T10:08:44Z)

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。