論文の概要: RECON: Robust symmetry discovery via Explicit Canonical Orientation Normalization

• arxiv url: http://arxiv.org/abs/2505.13289v1
• Date: Mon, 19 May 2025 16:10:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:11.721921
• Title: RECON: Robust symmetry discovery via Explicit Canonical Orientation Normalization
• Title（参考訳）: RECON: 明示的正準配向正規化によるロバスト対称性の発見
• Authors: Alonso Urbano, David W. Romero, Max Zimmer, Sebastian Pokutta,
• Abstract要約: 本稿では,ラベルのないデータから各入力の固有対称性分布を検出するためのフレームワークであるRECONを紹介する。 2次元画像ベンチマークで効果的な対称性の発見を実証し、初めて3次元変換群に拡張した。
• 参考スコア（独自算出の注目度）: 29.869911304798553
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-world data often exhibits unknown or approximate symmetries, yet existing equivariant networks must commit to a fixed transformation group prior to training, e.g., continuous $SO(2)$ rotations. This mismatch degrades performance when the actual data symmetries differ from those in the transformation group. We introduce RECON, a framework to discover each input's intrinsic symmetry distribution from unlabeled data. RECON leverages class-pose decompositions and applies a data-driven normalization to align arbitrary reference frames into a common natural pose, yielding directly comparable and interpretable symmetry descriptors. We demonstrate effective symmetry discovery on 2D image benchmarks and -- for the first time -- extend it to 3D transformation groups, paving the way towards more flexible equivariant modeling.
• Abstract（参考訳）: 実世界のデータはしばしば未知あるいは近似対称性を示すが、既存の同変ネットワークはトレーニングの前に固定変換群(例えば、連続$SO(2)$ローテーション)にコミットしなければならない。 このミスマッチは、実際のデータ対称性が変換グループのものと異なる場合、パフォーマンスが低下する。 本稿では,ラベルのないデータから各入力の固有対称性分布を検出するためのフレームワークであるRECONを紹介する。 RECONはクラス配置分解を活用し、任意の参照フレームを共通の自然なポーズに整列するためにデータ駆動正規化を適用し、直接的に同値で解釈可能な対称性記述子を生成する。 2次元画像ベンチマークで効果的な対称性の発見を実証し、それを初めて3次元変換群に拡張し、より柔軟な同変モデリングへの道を開く。

関連論文リスト

• Relative Representations: Topological and Geometric Perspectives [53.88896255693922]
  相対表現はゼロショットモデルの縫合に対する確立されたアプローチである。 相対変換において正規化手順を導入し、非等方的再スケーリングや置換に不変となる。 第二に、クラス内のクラスタリングを促進するトポロジカル正規化損失である、微調整された相対表現におけるトポロジカルデシフィケーションの展開を提案する。
  論文  参考訳（メタデータ） (2024-09-17T08:09:22Z)
• R2Det: Exploring Relaxed Rotation Equivariance in 2D object detection [26.05910177212846]
  Group Equivariant Convolution (GConv) は、データにおける基礎となる対称性を探索し、パフォーマンスを向上させるためにモデルに権限を与える。 我々は、GConvと比較して4n$のパラメータが最小限に増大する新しいRelaxed Rotation-Equivariant GConv(R2GConv)を導入する。 R2GConvをベースとして,Relaxed Rotation-Equivariant Network (R2Net) をバックボーンとして提案し,2次元物体検出のためのRelaxed Rotation-Equivariant Object Detector (R2Det) を開発した。
  論文  参考訳（メタデータ） (2024-08-21T16:32:03Z)
• EqNIO: Subequivariant Neural Inertial Odometry [33.96552018734359]
  重力ベクトルの周りで回転すると、IMUデータは等変的に変形し、重力に平行な任意の平面に対して反射することを示す。 そして、IMUデータをこのフレームにマッピングし、既製の慣性オドメトリーネットワークで直接使用できる不変な正準化を実現する。
  論文  参考訳（メタデータ） (2024-08-12T17:42:46Z)
• Self-Supervised Detection of Perfect and Partial Input-Dependent Symmetries [11.54837584979607]
  群の同値性は、群の対称性がデータで観測されたものと異なる場合、過度にモデルを制約することができる。 本稿では,ラベルを使わずに各入力の対称性のレベルを検出する手法を提案する。 我々のフレームワークは、連続分布と離散対称性分布の両方の異なる族に対応するのに十分である。
  論文  参考訳（メタデータ） (2023-12-19T15:11:46Z)
• Oracle-Preserving Latent Flows [58.720142291102135]
  我々はラベル付きデータセット全体にわたって複数の非自明な連続対称性を同時に発見するための方法論を開発する。 対称性変換と対応するジェネレータは、特別に構築された損失関数で訓練された完全連結ニューラルネットワークでモデル化される。 この研究における2つの新しい要素は、縮小次元の潜在空間の使用と、高次元のオラクルに関して不変な変換への一般化である。
  論文  参考訳（メタデータ） (2023-02-02T00:13:32Z)
• Deep Learning Symmetries and Their Lie Groups, Algebras, and Subalgebras from First Principles [55.41644538483948]
  ラベル付きデータセットに存在する連続した対称性群の検出と同定のためのディープラーニングアルゴリズムを設計する。 完全に接続されたニューラルネットワークを用いて、変換対称性と対応するジェネレータをモデル化する。 また,Lie群とその性質の数学的研究に機械学習アプローチを使うための扉を開く。
  論文  参考訳（メタデータ） (2023-01-13T16:25:25Z)
• Learning Symmetric Embeddings for Equivariant World Models [9.781637768189158]
  入力空間(例えば画像)を符号化する学習対称埋め込みネットワーク(SEN)を提案する。 このネットワークは、同変のタスクネットワークでエンドツーエンドにトレーニングして、明示的に対称な表現を学ぶことができる。 実験により、SENは複素対称性表現を持つデータへの同変ネットワークの適用を促進することを示した。
  論文  参考訳（メタデータ） (2022-04-24T22:31:52Z)
• Frame Averaging for Equivariant Shape Space Learning [85.42901997467754]
  形状空間学習に対称性を組み込む自然な方法は、形状空間(エンコーダ)への写像と形状空間(デコーダ)からの写像が関連する対称性に同値であることを問うことである。 本稿では,2つのコントリビューションを導入することで,エンコーダとデコーダの等価性を組み込む枠組みを提案する。
  論文  参考訳（メタデータ） (2021-12-03T06:41:19Z)
• Inverse Learning of Symmetries [71.62109774068064]
  2つの潜在部分空間からなるモデルで対称性変換を学ぶ。 我々のアプローチは、情報ボトルネックと連続的な相互情報正規化器の組み合わせに基づいています。 我々のモデルは, 人工的および分子的データセットにおける最先端の手法より優れている。
  論文  参考訳（メタデータ） (2020-02-07T13:48:52Z)
• Asymmetric GANs for Image-to-Image Translation [62.49892218126542]
  GAN(Generative Adversarial Networks)の既存のモデルは、サイクル一貫性損失を使用して、ソースドメインからターゲットドメインへのマッピングを学習する。 非対称GANモデルを提案し、不等サイズと異なるパラメータ共有戦略の変換と再構成の両方を行う。 8つのデータセットを用いた教師付きおよび教師なし生成タスクの実験は、非対称GANが優れたモデルキャパシティとより良い生成性能を達成することを示す。
  論文  参考訳（メタデータ） (2019-12-14T21:24:41Z)

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。