Fugu-MT 論文翻訳(概要): Path Space Partitioning and Guided Image Sampling for MCMC

論文の概要: Path Space Partitioning and Guided Image Sampling for MCMC

arxiv url: http://arxiv.org/abs/2501.06214v1
Date: Sat, 04 Jan 2025 16:16:32 GMT
ステータス: 翻訳完了
システム内更新日: 2025-01-19 08:09:28.372928
Title: Path Space Partitioning and Guided Image Sampling for MCMC
Title（参考訳）: MCMCのための経路空間分割とガイド画像サンプリング
Authors: Thomas Bashford-Rogers, Luis Paulo Santos,
Abstract要約: レンダリングアルゴリズムは通常、経路空間上の光経路を統合する。分割経路空間と分割空間のそれぞれを別個の推定器に統合することは利点があることを示す。
参考スコア（独自算出の注目度）: 2.041400607424163
License:
Abstract: Rendering algorithms typically integrate light paths over path space. However, integrating over this one unified space is not necessarily the most efficient approach, and we show that partitioning path space and integrating each of these partitioned spaces with a separate estimator can have advantages. We propose an approach for partitioning path space based on analyzing paths from a standard Monte Carlo estimator and integrating these partitioned path spaces using a Markov Chain Monte Carlo (MCMC) estimator. This also means that integration happens within a sparser subset of path space, so we propose the use of guided proposal distributions in image space to improve efficiency. We show that our method improves image quality over other MCMC integration approaches at the same number of samples.
Abstract（参考訳）: レンダリングアルゴリズムは通常、経路空間上の光経路を統合する。しかし、この1つの統一空間に対する統合は必ずしも最も効率的なアプローチではなく、経路空間を分割し、これらの分割された空間をそれぞれ別々の推定器と統合することは利点があることを示す。本稿では,標準的なモンテカルロ推定器からの経路解析とマルコフ連鎖モンテカルロ推定器(MCMC)を用いた分割経路空間の統合により,経路空間を分割する手法を提案する。これはまた、経路空間のスペーサー部分集合内で統合が行われることを意味するので、画像空間におけるガイド付き提案分布を用いて効率を向上させることを提案する。提案手法は,他のMCMC統合手法と比較して,同じサンプル数で画像品質を向上することを示す。

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)
Improving Path Planning Performance through Multimodal Generative Models with Local Critics [1.3706331473063877]
本稿では,障害物のある未知のシーンにおける経路計画タスクを高速化する新しい手法を提案する。自由条件構成空間の分布を近似するために,Wasserstein Generative Adversarial Networks (WGANs) と Gradient Penalty (GP) を用いる。実験の結果,WGAN-GPで準最適経路を生成しながら,未知のシーンでの経路計画タスクを高速化する有望な結果が得られた。
論文参考訳（メタデータ） (2023-06-15T19:51:35Z)
Optimal Scaling for Locally Balanced Proposals in Discrete Spaces [65.14092237705476]
離散空間におけるMetropolis-Hastings (M-H) アルゴリズムの効率は、対象分布に依存しない受容率によって特徴づけられることを示す。最適受容率の知識は、連続空間におけるステップサイズ制御と直接的に類似して、離散空間における提案分布の近傍サイズを自動的に調整することを可能にする。
論文参考訳（メタデータ） (2022-09-16T22:09:53Z)
Late Fusion Multi-view Clustering via Global and Local Alignment Maximization [61.89218392703043]
マルチビュークラスタリング(MVC)は、異なるビューからの補完情報を最適に統合し、クラスタリング性能を改善する。既存のアプローチの多くは、クラスタリングに最適な類似性行列を学ぶために、複数の事前定義された類似性を直接融合する。これらの問題に対処するために、アライメントを通してレイトフュージョンMVCを提案する。
論文参考訳（メタデータ） (2022-08-02T01:49:31Z)
Beyond Cross-view Image Retrieval: Highly Accurate Vehicle Localization Using Satellite Image [91.29546868637911]
本稿では,地上画像と架空衛星地図とをマッチングすることにより,車載カメラのローカライゼーションの問題に対処する。鍵となる考え方は、タスクをポーズ推定として定式化し、ニューラルネットベースの最適化によってそれを解くことである。標準自動運転車のローカライゼーションデータセットの実験により,提案手法の優位性が確認された。
論文参考訳（メタデータ） (2022-04-10T19:16:58Z)
Learning Space Partitions for Path Planning [54.475949279050596]
PlaLaMは2次元ナビゲーションタスクにおける既存の経路計画手法よりも優れており、特に難解な局所最適化の存在下では優れている。これらは高マルチモーダルな実世界のタスクに移行し、コンパイラフェーズでは最大245%、分子設計では最大0.4の強いベースラインを0-1スケールで上回ります。
論文参考訳（メタデータ） (2021-06-19T18:06:11Z)
Sampling in Combinatorial Spaces with SurVAE Flow Augmented MCMC [83.48593305367523]
ハイブリッドモンテカルロ(Hybrid Monte Carlo)は、複素連続分布からサンプリングする強力なマルコフ連鎖モンテカルロ法である。本稿では,SurVAEフローを用いたモンテカルロ法の拡張に基づく新しい手法を提案する。本稿では,統計学,計算物理学,機械学習など,様々な分野におけるアルゴリズムの有効性を実証し,代替アルゴリズムと比較した改良点を考察する。
論文参考訳（メタデータ） (2021-02-04T02:21:08Z)
Generative Adversarial Network based Heuristics for Sampling-based Path Planning [34.368519009432426]
本稿では,サンプリングに基づく経路計画の限界を克服する画像ベース経路計画アルゴリズムを提案する。具体的には、環境マップを他の前処理作業なしに入力として扱うために、GAN(Generative Adversarial Network)を設計する。提案手法の有効性を検証するためのシミュレーション実験を多数実施し,本手法が初期解の品質と最適解への収束速度の面ではるかに優れた性能を発揮することを実証した。
論文参考訳（メタデータ） (2020-12-07T07:29:57Z)
Accelerating MCMC algorithms through Bayesian Deep Networks [7.054093620465401]
マルコフ・チェイン・モンテカルロ(MCMC)アルゴリズムは、複雑な確率分布のサンプリングにおいて、その汎用性のために一般的に用いられる。分布の次元が大きくなるにつれて、サンプリング空間を十分に探索する計算コストが困難になる。マルコフ連鎖の最初の提案としてベイズニューラルネットワークの結果を用いて適応MCMCを実行する方法を示す。
論文参考訳（メタデータ） (2020-11-29T04:29:00Z)

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。