論文の概要: ARC: Anchored Representation Clouds for High-Resolution INR Classification

• arxiv url: http://arxiv.org/abs/2503.15156v1
• Date: Wed, 19 Mar 2025 12:24:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-20 15:23:23.392829
• Title: ARC: Anchored Representation Clouds for High-Resolution INR Classification
• Title（参考訳）: ARC:高分解能INR分類のためのアンコール表現雲
• Authors: Joost Luijmes, Alexander Gielisse, Roman Knyazhitskiy, Jan van Gemert,
• Abstract要約: 暗黙的な神経表現は、ニューラルネットワークの重みの信号をメモリ効率の表現としてエンコードする。 現在のINR画像分類法は画像空間変換に敏感である。 我々はARC: Anchored Representation Cloudsを提案する。これは画像空間内の潜在ベクトルを局所的にアンカーする新しいINRアーキテクチャである。
• 参考スコア（独自算出の注目度）: 49.11170948406405
• License:
• Abstract: Implicit neural representations (INRs) encode signals in neural network weights as a memory-efficient representation, decoupling sampling resolution from the associated resource costs. Current INR image classification methods are demonstrated on low-resolution data and are sensitive to image-space transformations. We attribute these issues to the global, fully-connected MLP neural network architecture encoding of current INRs, which lack mechanisms for local representation: MLPs are sensitive to absolute image location and struggle with high-frequency details. We propose ARC: Anchored Representation Clouds, a novel INR architecture that explicitly anchors latent vectors locally in image-space. By introducing spatial structure to the latent vectors, ARC captures local image data which in our testing leads to state-of-the-art implicit image classification of both low- and high-resolution images and increased robustness against image-space translation. Code can be found at https://github.com/JLuij/anchored_representation_clouds.
• Abstract（参考訳）: インプシットニューラルネットワーク表現(INR)は、メモリ効率の表現としてニューラルネットワーク重み内の信号を符号化し、関連するリソースコストからサンプリング解像度を分離する。 現在のINR画像分類法は低分解能データで示されており、画像空間変換に敏感である。 これらの問題は、現在のINRを符号化するグローバルで完全に接続されたMLPニューラルネットワークアーキテクチャによるもので、局所表現のメカニズムが欠如している: MLPは絶対像の位置に敏感で、高周波の詳細に苦慮している。 我々はARC: Anchored Representation Cloudsを提案する。これは画像空間内の潜在ベクトルを局所的にアンカーする新しいINRアーキテクチャである。 静止ベクトルに空間構造を導入することで、ARCは局所的な画像データをキャプチャして、低解像度画像と高解像度画像の両方の最先端の暗黙的画像分類と、画像空間の変換に対する堅牢性を高める。 コードはhttps://github.com/JLuij/anchored_representation_cloudsで見ることができる。

関連論文リスト

• HIIF: Hierarchical Encoding based Implicit Image Function for Continuous Super-resolution [16.652558917081954]
  連続画像超解像のためのtextbfHIIF を提案する。 提案手法では,非局所的な情報を考慮した多頭部線形注意機構を暗黙の注意ネットワーク内に組み込む。 実験により、異なるバックボーンエンコーダと統合した場合、HIIFはPSNRの0.17dBまで、最先端の連続画像超解像法より優れることがわかった。
  論文  参考訳（メタデータ） (2024-12-04T22:35:20Z)
• SINCO: A Novel structural regularizer for image compression using implicit neural representations [10.251120382395332]
  Inlicit Neural representations (INR) は、画像圧縮のためのディープラーニング(DL)ベースのソリューションとして最近提案されている。 本稿では、画像圧縮のための新しいINR法として、INR圧縮(SINCO)の構造正則化を提案する。
  論文  参考訳（メタデータ） (2022-10-26T18:35:54Z)
• Learning Enriched Features for Fast Image Restoration and Enhancement [166.17296369600774]
  本稿では,ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とする。 我々は、高解像度の空間的詳細を同時に保存しながら、複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。 提案手法は,デフォーカス・デブロアリング,画像デノイング,超解像,画像強調など,さまざまな画像処理タスクに対して,最先端の処理結果を実現する。
  論文  参考訳（メタデータ） (2022-04-19T17:59:45Z)
• Over-and-Under Complete Convolutional RNN for MRI Reconstruction [57.95363471940937]
  MR画像再構成のための最近のディープラーニングに基づく手法は、通常、汎用的なオートエンコーダアーキテクチャを利用する。 OUCR(Over-and-Under Complete Convolu?tional Recurrent Neural Network)を提案する。 提案手法は, トレーニング可能なパラメータの少ない圧縮されたセンシングと, 一般的なディープラーニングに基づく手法に対して, 大幅な改善を実現する。
  論文  参考訳（メタデータ） (2021-06-16T15:56:34Z)
• RepMLP: Re-parameterizing Convolutions into Fully-connected Layers for Image Recognition [123.59890802196797]
  画像認識のための多層パーセプトロン型ニューラルネットワーク構築ブロックであるRepMLPを提案する。 トレーニング中にRepMLP内に畳み込み層を構築し,それをFCにマージして推論を行う。 従来のCNNにRepMLPを挿入することで、ImageNetでは1.8%の精度、顔認識では2.9%、FLOPの低いCityscapeでは2.3%のmIoUを改善します。
  論文  参考訳（メタデータ） (2021-05-05T06:17:40Z)
• Adversarial Generation of Continuous Images [31.92891885615843]
  本稿では,INRに基づく画像デコーダ構築のための2つの新しいアーキテクチャ手法を提案する。 私たちは、最先端の連続画像GANを構築するためにそれらを使用します。 提案したINR-GANアーキテクチャは連続画像生成装置の性能を数倍改善する。
  論文  参考訳（メタデータ） (2020-11-24T11:06:40Z)
• High Quality Remote Sensing Image Super-Resolution Using Deep Memory Connected Network [21.977093907114217]
  単一画像の超解像は、ターゲット検出や画像分類といった多くの用途において重要である。 本稿では,畳み込みニューラルネットワークによる高画質超解像画像の再構成手法として,DeepMemory Connected Network (DMCN)を提案する。
  論文  参考訳（メタデータ） (2020-10-01T15:06:02Z)
• Lightweight image super-resolution with enhanced CNN [82.36883027158308]
  強い表現力を持つ深部畳み込みニューラルネットワーク(CNN)は、単一画像超解像(SISR)において印象的な性能を達成した 情報抽出・拡張ブロック(IEEB)、再構築ブロック(RB)、情報精製ブロック(IRB)の3つの連続したサブブロックを持つ軽量拡張SR CNN(LESRCNN)を提案する。 IEEBは階層的低分解能(LR)特徴を抽出し、SISRの深い層上の浅い層の記憶能力を高めるために、得られた特徴を段階的に集約する。 RBはグローバルに拡散することで低周波特徴を高周波特徴に変換する
  論文  参考訳（メタデータ） (2020-07-08T18:03:40Z)
• Cross-Scale Internal Graph Neural Network for Image Super-Resolution [147.77050877373674]
  自然画像における非局所的な自己相似性は、画像修復に有効な先行研究として、よく研究されている。 単一の画像超解像(SISR)の場合、既存のディープ非局所法のほとんどは、低解像度(LR)入力画像と同じ規模のパッチしか利用していない。 これは、新しいクロススケールな内部グラフニューラルネットワーク(IGNN)を用いて実現される。
  論文  参考訳（メタデータ） (2020-06-30T10:48:40Z)

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。