論文の概要: Improving Efficiency of Iso-Surface Extraction on Implicit Neural
Representations Using Uncertainty Propagation
- arxiv url: http://arxiv.org/abs/2402.13861v1
- Date: Wed, 21 Feb 2024 15:10:20 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-22 14:53:41.030626
- Title: Improving Efficiency of Iso-Surface Extraction on Implicit Neural
Representations Using Uncertainty Propagation
- Title（参考訳）: 不確実性伝播を用いた入射ニューラル表現におけるイソ表面抽出の効率向上
- Authors: Haoyu Li and Han-Wei Shen
- Abstract要約: Inlicit Neural representations (INR) は、科学的データ削減と可視化に広く用いられている。
レンジ解析は、3次元測地におけるINR上の幾何的クエリの効率を向上する有望な結果を示している。
本稿では,算術規則を再検討し,空間領域内におけるネットワーク出力の確率分布を解析することにより,範囲解析のための改良手法を提案する。
- 参考スコア（独自算出の注目度）: 32.329370320329005
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Implicit Neural representations (INRs) are widely used for scientific data
reduction and visualization by modeling the function that maps a spatial
location to a data value. Without any prior knowledge about the spatial
distribution of values, we are forced to sample densely from INRs to perform
visualization tasks like iso-surface extraction which can be very
computationally expensive. Recently, range analysis has shown promising results
in improving the efficiency of geometric queries, such as ray casting and
hierarchical mesh extraction, on INRs for 3D geometries by using arithmetic
rules to bound the output range of the network within a spatial region.
However, the analysis bounds are often too conservative for complex scientific
data. In this paper, we present an improved technique for range analysis by
revisiting the arithmetic rules and analyzing the probability distribution of
the network output within a spatial region. We model this distribution
efficiently as a Gaussian distribution by applying the central limit theorem.
Excluding low probability values, we are able to tighten the output bounds,
resulting in a more accurate estimation of the value range, and hence more
accurate identification of iso-surface cells and more efficient iso-surface
extraction on INRs. Our approach demonstrates superior performance in terms of
the iso-surface extraction time on four datasets compared to the original range
analysis method and can also be generalized to other geometric query tasks.
- Abstract（参考訳）: 暗黙的神経表現(inrs)は、空間的位置をデータ値にマッピングする関数をモデル化することで科学的データ削減と可視化に広く使われている。
数値の空間分布に関する事前の知識がなければ、INRから高密度にサンプルを採取し、計算コストのかかる等表面抽出のような可視化タスクを行なわざるを得ない。
近年,ネットワークの出力範囲を空間領域内に限定する算術規則を用いて,3次元幾何学のinrs上でのレイキャスティングや階層メッシュ抽出などの幾何学的クエリの効率向上に有望な結果が得られている。
しかし、解析限界はしばしば複雑な科学データには保守的すぎる。
本稿では,算術規則を再検討し,空間領域内のネットワーク出力の確率分布を解析することにより,範囲解析のための改良手法を提案する。
この分布を中央極限定理を適用してガウス分布として効率的にモデル化する。
低確率値を除くと出力境界を狭めることができ、その結果、より正確な値範囲の推定が可能になり、より正確なiso-surfaceセルの同定とinrsでのより効率的なiso-surface抽出が可能になる。
提案手法は,従来の範囲解析法と比較して4つのデータセットの等表面抽出時間において優れた性能を示し,他の幾何的クエリタスクにも一般化可能である。
関連論文リスト
- Distributed Markov Chain Monte Carlo Sampling based on the Alternating
Direction Method of Multipliers [143.6249073384419]
本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。
我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。
シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
論文 参考訳（メタデータ） (2024-01-29T02:08:40Z) - Efficient Large-scale Nonstationary Spatial Covariance Function
Estimation Using Convolutional Neural Networks [3.5455896230714194]
非定常データからサブリージョンを導出するためにConvNetsを使用します。
定常場に類似した振る舞いを示す部分領域を同定するために選択機構を用いる。
提案手法の性能を大規模に評価する。
論文 参考訳（メタデータ） (2023-06-20T12:17:46Z) - Score-based Diffusion Models in Function Space [140.792362459734]
拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。
本稿では,関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)という,数学的に厳密なフレームワークを提案する。
データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
論文 参考訳（メタデータ） (2023-02-14T23:50:53Z) - Super-resolution GANs of randomly-seeded fields [68.8204255655161]
ランダムスパースセンサからフィールド量の推定を行うための,GAN(Super- resolution Generative Adversarial Network)フレームワークを提案する。
このアルゴリズムはランダムサンプリングを利用して、高解像度の基底分布の不完全ビューを提供する。
提案手法は, 流体流動シミュレーション, 海洋表面温度分布測定, 粒子画像速度測定データの合成データベースを用いて検証した。
論文 参考訳（メタデータ） (2022-02-23T18:57:53Z) - Spelunking the Deep: Guaranteed Queries for General Neural Implicit
Surfaces [35.438964954948574]
この研究は、広範囲の既存アーキテクチャに対して、一般的なニューラル暗黙関数でクエリを直接実行するための新しいアプローチを示す。
私たちのキーとなるツールは、ニューラルネットワークへのレンジ分析の適用であり、ネットワークの出力を領域を越えてバウンドするために自動演算ルールを使用します。
得られた境界を用いて、レイキャスト、交差試験、空間階層の構築、高速メッシュ抽出、最近点評価などのクエリを開発する。
論文 参考訳（メタデータ） (2022-02-05T00:37:08Z) - Probabilistic partition of unity networks: clustering based deep
approximation [0.0]
ユニタリネットワーク(POU-Nets)の分割は、回帰とPDEの解に対する代数収束率を実現することができる。
ガウス雑音モデルを用いてPOU-Netを拡張し、最大可算損失の勾配に基づく一般化を導出できる確率的一般化を得る。
本研究では,高次元・低次元での性能を定量化するためのベンチマークを行い,高次元空間内のデータの潜在次元にのみ依存することを示す。
論文 参考訳（メタデータ） (2021-07-07T08:02:00Z) - Local approximate Gaussian process regression for data-driven
constitutive laws: Development and comparison with neural networks [0.0]
局所近似過程回帰を用いて特定のひずみ空間における応力出力を予測する方法を示す。
FE設定におけるグローバル構造問題を解決する場合のlaGPR近似の局所的性質に適応するために、修正されたニュートン・ラフソン手法が提案される。
論文 参考訳（メタデータ） (2021-05-07T14:49:28Z) - GENs: Generative Encoding Networks [4.269725092203672]
本稿では,未知のデータ分布と未知のターゲット分布を一致させるために,Jensen-Shannon分散を推定するための非パラメトリック密度法を提案し,解析する。
この分析法には、サンプル量のトレーニングが低いときのより良い振舞い、証明可能な収束特性、比較的少ないパラメータ、分析的に導出できるパラメータなど、いくつかの利点がある。
論文 参考訳（メタデータ） (2020-10-28T23:40:03Z) - Augmented Sliced Wasserstein Distances [55.028065567756066]
拡張スライスされたワッサーシュタイン距離(ASWD)と呼ばれる新しい距離測定法を提案する。
ASWDは、ニューラルネットワークによってパラメータ化された高次元超曲面への最初のマッピングサンプルによって構成される。
数値的な結果から、ASWDは、合成問題と実世界の問題の両方において、他のワッサーシュタイン変種を著しく上回っていることが示されている。
論文 参考訳（メタデータ） (2020-06-15T23:00:08Z) - Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。
本稿では,非自明なERGに対する近似フレームワークを提案する。
我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文 参考訳（メタデータ） (2020-02-14T11:42:16Z) - Spatial-Spectral Residual Network for Hyperspectral Image
Super-Resolution [82.1739023587565]
ハイパースペクトル画像超解像のための新しいスペクトル空間残差ネットワーク(SSRNet)を提案する。
提案手法は,2次元畳み込みではなく3次元畳み込みを用いて空間スペクトル情報の探索を効果的に行うことができる。
各ユニットでは空間的・時間的分離可能な3次元畳み込みを用いて空間的・スペクトル的な情報を抽出する。
論文 参考訳（メタデータ） (2020-01-14T03:34:55Z)
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。