論文の概要: Hypothesis Testing for Progressive Kernel Estimation and VCM Framework
- arxiv url: http://arxiv.org/abs/2504.04411v1
- Date: Sun, 06 Apr 2025 08:37:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-08 14:09:51.610031
- Title: Hypothesis Testing for Progressive Kernel Estimation and VCM Framework
- Title（参考訳）: プログレッシブカーネル推定とVCMフレームワークのための仮説検証
- Authors: Zehui Lin, Chenxiao Hu, Jinzhu Jia, Sheng Li,
- Abstract要約: 本稿では,光子サンプルの統計モデルと,それに関連するプログレッシブカーネル推定への貢献について述べる。
そこで本研究では,F-test を用いた変数分析において,統計的人口に関するゼロ仮説を否定するか否かを判断する手法を提案する。
そこで我々は, プログレッシブ光子マッピング (PPM) アルゴリズムを実装し, 核半径を非偏光放射率推定の仮説テストにより決定する。
- 参考スコア（独自算出の注目度）: 8.888230137773885
- License:
- Abstract: Identifying an appropriate radius for unbiased kernel estimation is crucial for the efficiency of radiance estimation. However, determining both the radius and unbiasedness still faces big challenges. In this paper, we first propose a statistical model of photon samples and associated contributions for progressive kernel estimation, under which the kernel estimation is unbiased if the null hypothesis of this statistical model stands. Then, we present a method to decide whether to reject the null hypothesis about the statistical population (i.e., photon samples) by the F-test in the Analysis of Variance. Hereby, we implement a progressive photon mapping (PPM) algorithm, wherein the kernel radius is determined by this hypothesis test for unbiased radiance estimation. Secondly, we propose VCM+, a reinforcement of Vertex Connection and Merging (VCM), and derive its theoretically unbiased formulation. VCM+ combines hypothesis testing-based PPM with bidirectional path tracing (BDPT) via multiple importance sampling (MIS), wherein our kernel radius can leverage the contributions from PPM and BDPT. We test our new algorithms, improved PPM and VCM+, on diverse scenarios with different lighting settings. The experimental results demonstrate that our method can alleviate light leaks and visual blur artifacts of prior radiance estimate algorithms. We also evaluate the asymptotic performance of our approach and observe an overall improvement over the baseline in all testing scenarios.
- Abstract（参考訳）: 非バイアスカーネル推定のための適切な半径の同定は、放射率推定の効率化に不可欠である。
しかし、半径と非偏差は依然として大きな課題に直面している。
本稿では、まず、光子サンプルの統計モデルとプログレッシブカーネル推定への貢献について提案する。
そこで本研究では,F-test による統計量(光子サンプル)に関するゼロ仮説を,変数解析において拒否するか否かを判定する手法を提案する。
そこで我々は, プログレッシブ光子マッピング (PPM) アルゴリズムを実装し, 核半径を非偏光放射率推定の仮説テストにより決定する。
次に,Vertex Connection and Merging (VCM) の強化である VCM+ を提案し,その理論的に偏りのない定式化を導出する。
VCM+は、仮説テストに基づくPPMと、多重重要サンプリング(MIS)による双方向経路追跡(BDPT)を組み合わせることで、我々のカーネル半径は、PPMとBDPTからの貢献を活用できる。
我々は、照明設定の異なる様々なシナリオで、新しいアルゴリズム、改良されたPPMとVCM+をテストする。
実験の結果,従来の放射率推定アルゴリズムの光漏れや視覚的ぼやけを軽減できることがわかった。
また、我々のアプローチの漸近的性能を評価し、全てのテストシナリオにおけるベースラインに対する全体的な改善を観察する。
関連論文リスト
- An Efficient Permutation-Based Kernel Two-Sample Test [13.229867216847534]
2サンプル仮説テストは統計学と機械学習の基本的な問題である。
本研究では,最大平均誤差(MMD)のNystr "om approxation"を用いて,計算効率よく実用的なテストアルゴリズムを設計する。
論文 参考訳（メタデータ） (2025-02-19T09:22:48Z) - Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。
第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。
第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
論文 参考訳（メタデータ） (2025-02-11T19:24:09Z) - Tube Loss: A Novel Approach for Prediction Interval Estimation and probabilistic forecasting [17.472882720712118]
本稿では,予測区間(PI)の境界の同時推定のための新しい損失関数「タブロス」を提案する。
管損失に基づく経験的リスクを最小化することにより得られるパイは、既存の方法によるPIよりも高品質であることが示されている。
論文 参考訳（メタデータ） (2024-12-08T15:17:53Z) - Total Uncertainty Quantification in Inverse PDE Solutions Obtained with Reduced-Order Deep Learning Surrogate Models [50.90868087591973]
機械学習サロゲートモデルを用いて得られた逆PDE解の総不確かさを近似したベイズ近似法を提案する。
非線型拡散方程式に対する反復的アンサンブルスムーズおよび深層アンサンブル法との比較により,提案手法を検証した。
論文 参考訳（メタデータ） (2024-08-20T19:06:02Z) - Transformer-based Parameter Estimation in Statistics [0.0]
パラメータ推定のための変換器に基づく手法を提案する。
数値法で必要とされる確率密度関数を知る必要さえない。
提案手法は,平均二乗誤差で測定した手法と類似あるいは良好な精度を達成できることが示されている。
論文 参考訳（メタデータ） (2024-02-28T04:30:41Z) - Towards Faster Non-Asymptotic Convergence for Diffusion-Based Generative
Models [49.81937966106691]
我々は拡散モデルのデータ生成過程を理解するための非漸近理論のスイートを開発する。
従来の研究とは対照的に,本理論は基本的だが多目的な非漸近的アプローチに基づいて開発されている。
論文 参考訳（メタデータ） (2023-06-15T16:30:08Z) - Boosting the Power of Kernel Two-Sample Tests [4.07125466598411]
最大平均誤差(MMD)に基づくカーネル2サンプルテストは、一般的な距離空間上の2つの分布の違いを検出する最も一般的な方法の1つである。
マハラノビス距離を用いて,複数のカーネル上でMDD推定値を組み合わせることで,カーネルテストのパワーを高める手法を提案する。
論文 参考訳（メタデータ） (2023-02-21T14:14:30Z) - FaDIn: Fast Discretized Inference for Hawkes Processes with General
Parametric Kernels [82.53569355337586]
この研究は、有限なサポートを持つ一般パラメトリックカーネルを用いた時間点プロセス推論の効率的な解を提供する。
脳磁図(MEG)により記録された脳信号からの刺激誘発パターンの発生をモデル化し,その有効性を評価する。
その結果,提案手法により,最先端技術よりもパターン遅延の推定精度が向上することが示唆された。
論文 参考訳（メタデータ） (2022-10-10T12:35:02Z) - Distribution Regression with Sliced Wasserstein Kernels [45.916342378789174]
分布回帰のための最初のOTに基づく推定器を提案する。
このような表現に基づくカーネルリッジ回帰推定器の理論的性質について検討する。
論文 参考訳（メタデータ） (2022-02-08T15:21:56Z) - Learning to Estimate Without Bias [57.82628598276623]
ガウスの定理は、重み付き最小二乗推定器は線形モデルにおける線形最小分散アンバイアスド推定(MVUE)であると述べている。
本稿では、バイアス制約のあるディープラーニングを用いて、この結果を非線形設定に拡張する第一歩を踏み出す。
BCEの第二の動機は、同じ未知の複数の推定値が平均化されてパフォーマンスが向上するアプリケーションにおいてである。
論文 参考訳（メタデータ） (2021-10-24T10:23:51Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳（メタデータ） (2021-02-12T12:23:13Z)
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。