論文の概要: Claycode: Stylable and Deformable 2D Scannable Codes

• arxiv url: http://arxiv.org/abs/2505.08666v1
• Date: Tue, 13 May 2025 15:28:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-14 20:57:54.641879
• Title: Claycode: Stylable and Deformable 2D Scannable Codes
• Title（参考訳）: Claycode: 安定して変形可能な2Dスカンナブルコード
• Authors: Marco Maida, Alberto Crescini, Marco Perronet, Elena Camuffo,
• Abstract要約: Claycodeは、広範囲なスタイリングと変形のために設計された、新しい2Dスキャン可能なコードである。 Claycodesは機能を損なうことなく、広範囲なスタイリゼーションを可能にすることを示す。 次に、Claycodeの重い変形に対する高い耐性を実証的に証明し、通常失敗するシナリオで従来の2Dスキャン可能なコードよりも優れています。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper introduces Claycode, a novel 2D scannable code designed for extensive stylization and deformation. Unlike traditional matrix-based codes (e.g., QR codes), Claycodes encode their message in a tree structure. During the encoding process, bits are mapped into a topology tree, which is then depicted as a nesting of color regions drawn within the boundaries of a target polygon shape. When decoding, Claycodes are extracted and interpreted in real-time from a camera stream. We detail the end-to-end pipeline and show that Claycodes allow for extensive stylization without compromising their functionality. We then empirically demonstrate Claycode's high tolerance to heavy deformations, outperforming traditional 2D scannable codes in scenarios where they typically fail.
• Abstract（参考訳）: 本稿では, 広範囲なスタイリゼーションと変形のために設計された2Dスキャン可能な新しいコードであるClaycodeを紹介する。 従来の行列ベースのコード(QRコードなど)とは異なり、Claycodesはそのメッセージをツリー構造でエンコードする。 符号化プロセス中にビットをトポロジーツリーにマッピングし、対象ポリゴン形状の境界内で描画された色領域のネストとして表現する。 復号化の際には、カメラストリームからクレイコードを取り出してリアルタイムで解釈する。 エンドツーエンドのパイプラインについて詳述し、Claycodesが機能を損なうことなく、広範なスタイリングを可能にしていることを示す。 次に、Claycodeの重い変形に対する高い耐性を実証的に証明し、通常失敗するシナリオで従来の2Dスキャン可能なコードよりも優れています。

関連論文リスト

• Learning Linear Block Error Correction Codes [62.25533750469467]
  本稿では,バイナリ線形ブロック符号の統一エンコーダデコーダトレーニングを初めて提案する。 また,コード勾配の効率的なバックプロパゲーションのために,自己注意マスキングを行うトランスフォーマーモデルを提案する。
  論文  参考訳（メタデータ） (2024-05-07T06:47:12Z)
• Tensor Network Decoding Beyond 2D [2.048226951354646]
  テンソルネットワークデコーディングを高次元に一般化する手法をいくつか導入する。 提案手法の復号精度は3次元曲面符号における最先端デコーダよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-16T18:00:02Z)
• Towards Accurate Image Coding: Improved Autoregressive Image Generation with Dynamic Vector Quantization [73.52943587514386]
  既存のベクトル量子化(VQ)ベースの自己回帰モデルは、2段階生成パラダイムに従う。 画像領域を可変長符号に符号化する動的量子化VAE(DQ-VAE)を提案する。
  論文  参考訳（メタデータ） (2023-05-19T14:56:05Z)
• Tackling Long Code Search with Splitting, Encoding, and Aggregating [67.02322603435628]
  長いコード検索のための新しいベースラインSEA(Split, Encode, Aggregate)を提案する。 長いコードをコードブロックに分割し、これらのブロックを埋め込みにエンコードし、それらを集約して包括的な長いコード表現を得る。 エンコーダとしてGraphCodeBERTを使用すると、SEAはコードSearchNetベンチマークでGraphCodeBERTよりも10.1%高い0.785という総合的な平均逆ランキングスコアを達成する。
  論文  参考訳（メタデータ） (2022-08-24T02:27:30Z)
• Learning Deep Implicit Functions for 3D Shapes with Dynamic Code Clouds [56.385495276042406]
  Deep Implicit Function (DIF) は効率的な3次元形状表現として人気を集めている。 我々は、DCC-DIFという名前のDynamic Code CloudでDIFを学ぶことを提案する。 本手法は,局所符号と学習可能な位置ベクトルを明示的に関連付け,位置ベクトルは連続であり,動的に最適化できる。
  論文  参考訳（メタデータ） (2022-03-26T11:07:59Z)
• Quantum Lego: Building Quantum Error Correction Codes from Tensor Networks [0.0]
  単純なコードや状態のテンソルから構築されたテンソルネットワークとして、複雑なコード構造を表現する。 このフレームワークは、構築したコードにネットワークのジオメトリを付与し、安定化器コードの構築に有効である。 非自明なコードを構築するために、単純な安定化コードを結合する例をいくつか紹介する。
  論文  参考訳（メタデータ） (2021-09-16T18:00:00Z)
• Trellis Decoding For Qudit Stabilizer Codes And Its Application To Qubit Topological Codes [3.9962751777898955]
  トレリス復号器は強い構造を持ち、古典的符号化理論を用いて結果をガイドとして拡張し、復号グラフの構造特性を計算できる正準形式を示す。 修正されたデコーダは、任意の安定化コード$S$で動作し、コードの正規化子のコンパクトでグラフィカルな表現を構築するワンタイムオフライン、$Sperp$、Viterbiアルゴリズムを使った高速でパラレルなオンライン計算である。
  論文  参考訳（メタデータ） (2021-06-15T16:01:42Z)
• LLC: Accurate, Multi-purpose Learnt Low-dimensional Binary Codes [55.32790803903619]
  本稿では,クラスだけでなくインスタンスの低次元バイナリコード(LLC)を学習するための新しい手法を提案する。 アノテーション付き属性やラベルメタデータなど,副作用は一切不要です。 学習したコードは、クラスに対して直感的な分類法を発見することによって、データの中で本質的に重要な特徴をキャプチャすることを示した。
  論文  参考訳（メタデータ） (2021-06-02T21:57:52Z)
• COSEA: Convolutional Code Search with Layer-wise Attention [90.35777733464354]
  我々は、畳み込みニューラルネットワークを階層的注意で活用し、コード固有の構造論理をキャプチャする新しいディープラーニングアーキテクチャ、COSEAを提案する。 COSEAは、コード検索タスクの最先端メソッドよりも大幅に改善できる。
  論文  参考訳（メタデータ） (2020-10-19T13:53:38Z)

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。