論文の概要: Enhancing Robustness of Implicit Neural Representations Against Weight Perturbations

• arxiv url: http://arxiv.org/abs/2508.13481v1
• Date: Tue, 19 Aug 2025 03:18:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-20 15:36:31.782043
• Title: Enhancing Robustness of Implicit Neural Representations Against Weight Perturbations
• Title（参考訳）: 重み摂動に対する暗黙的神経表現のロバスト性向上
• Authors: Wenyong Zhou, Yuxin Cheng, Zhengwu Liu, Taiqiang Wu, Chen Zhang, Ngai Wong,
• Abstract要約: Inlicit Neural Representation (INR)は、ニューラルネットワークを用いて離散信号を連続的に符号化する。 本稿では,INRのロバスト性を初めて検討し,微小な摂動でも性能劣化の原因となることを明らかにする。 重みに対する復元損失の勾配を調節する新たなロバスト損失関数を導出し,ロバスト性を高める。
• 参考スコア（独自算出の注目度）: 10.161354612863295
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Implicit Neural Representations (INRs) encode discrete signals in a continuous manner using neural networks, demonstrating significant value across various multimedia applications. However, the vulnerability of INRs presents a critical challenge for their real-world deployments, as the network weights might be subjected to unavoidable perturbations. In this work, we investigate the robustness of INRs for the first time and find that even minor perturbations can lead to substantial performance degradation in the quality of signal reconstruction. To mitigate this issue, we formulate the robustness problem in INRs by minimizing the difference between loss with and without weight perturbations. Furthermore, we derive a novel robust loss function to regulate the gradient of the reconstruction loss with respect to weights, thereby enhancing the robustness. Extensive experiments on reconstruction tasks across multiple modalities demonstrate that our method achieves up to a 7.5~dB improvement in peak signal-to-noise ratio (PSNR) values compared to original INRs under noisy conditions.
• Abstract（参考訳）: Inlicit Neural Representation (INRs)は、ニューラルネットワークを用いて離散信号を連続的に符号化し、様々なマルチメディアアプリケーションにおいて重要な価値を示す。 しかし、INRの脆弱性は、ネットワークの重みが避けられない摂動にさらされる可能性があるため、実際の展開において重要な課題となる。 本研究では,INRのロバスト性を初めて検討し,小さな摂動でも信号再構成の品質が著しく低下することを発見した。 この問題を緩和するために、重量摂動による損失と損失の差を最小限に抑え、INRのロバスト性問題を定式化する。 さらに、重みに対する復元損失の勾配を制御し、ロバスト性を高めるために、新しいロバスト損失関数を導出する。 提案手法は, 雑音条件下でのINRに比べて, ピーク信号-雑音比(PSNR)値が7.5〜dB向上することを示す。

関連論文リスト

• BandRC: Band Shifted Raised Cosine Activated Implicit Neural Representations [0.0]
  暗黙の神経表現(INR)はコンピュータビジョンコミュニティで人気を集めている。 これらのネットワークは、離散信号表現が与えられた連続信号表現を抽出することができる。 本稿では,新しいアクティベーション機能であるBand Shifted raised Cosine Activated Implicit Neural Networksを紹介する。
  論文  参考訳（メタデータ） (2025-05-16T19:08:01Z)
• I-INR: Iterative Implicit Neural Representations [21.060226382403506]
  Implicit Neural Representations (INR) は、ニューラルネットワークによってパラメータ化された連続的な微分可能な関数として信号をモデル化することで、信号処理とコンピュータビジョンに革命をもたらした。 I-INR(Iterative Implicit Neural Representation)は,反復的精製プロセスによる信号再構成を向上する新しいプラグイン・アンド・プレイフレームワークである。
  論文  参考訳（メタデータ） (2025-04-24T08:27:22Z)
• SING: Semantic Image Communications using Null-Space and INN-Guided Diffusion Models [52.40011613324083]
  近年, 無線画像伝送において, 共用音源チャネル符号化システム (DeepJSCC) が顕著な性能を発揮している。 既存の手法では、送信された画像とレシーバーの再構成されたバージョンとの間の歪みを最小限に抑えることに重点を置いており、しばしば知覚的品質を見落としている。 逆問題として,破損した再構成画像から高品質な画像の復元を定式化する新しいフレームワークであるSINGを提案する。
  論文  参考訳（メタデータ） (2025-03-16T12:32:11Z)
• Robust plug-and-play methods for highly accelerated non-Cartesian MRI reconstruction [2.724485028696543]
  マルチコイルデータからクリーンでノイズのないMRI信号を生成するための,教師なし事前処理パイプラインを提案する。 プレコンディショニング技術と組み合わせることで,高品質なデータに対する堅牢なMRI再構成を実現する。
  論文  参考訳（メタデータ） (2024-11-04T10:27:57Z)
• Streaming Neural Images [56.41827271721955]
  Inlicit Neural Representations (INR) は信号表現の新しいパラダイムであり、画像圧縮にかなりの関心を集めている。 本研究では,INRの計算コスト,不安定な性能,堅牢性などの限界要因について検討する。
  論文  参考訳（メタデータ） (2024-09-25T17:51:20Z)
• Denoising Simulated Low-Field MRI (70mT) using Denoising Autoencoders (DAE) and Cycle-Consistent Generative Adversarial Networks (Cycle-GAN) [68.8204255655161]
  高磁場, 高分解能, 高信号-雑音比 (SNR) 磁気共鳴イメージング (MRI) 画像を得るために, GAN (Cycle Consistent Generative Adversarial Network) が実装されている。 Denoising Autoencoder(DAE)とCycle-GANをペアとアンペアのケースで訓練するために画像が使用された。 この研究は、古典的DAEを上回り、低磁場MRI画像を改善することができ、画像ペアを必要としない生成的ディープラーニングモデルの使用を実証する。
  論文  参考訳（メタデータ） (2023-07-12T00:01:00Z)
• Spatiotemporal implicit neural representation for unsupervised dynamic MRI reconstruction [11.661657147506519]
  Inlicit Neuraltruth (INR) は逆問題を解決するための強力なDLベースのツールとして登場した。 本研究では,高度にアンサンプされたk空間データから動的MRI再構成を改善するためのINRに基づく手法を提案する。 提案したINRは、ダイナミックMRI画像を暗黙の関数として表現し、それらをニューラルネットワークにエンコードする。
  論文  参考訳（メタデータ） (2022-12-31T05:43:21Z)
• Zero-shot Blind Image Denoising via Implicit Neural Representations [77.79032012459243]
  暗黙的ニューラル表現(INR)のアーキテクチャ的帰納的バイアスを利用した代替的認知戦略を提案する。 提案手法は,低雑音シナリオや実雑音シナリオの広い範囲において,既存のゼロショット復調手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-04-05T12:46:36Z)
• Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for sparse recover [87.28082715343896]
  我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。 我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。 提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
  論文  参考訳（メタデータ） (2021-10-20T06:15:45Z)
• Non-Singular Adversarial Robustness of Neural Networks [58.731070632586594]
  小さな入力摂動に対する過敏性のため、アドリヤルロバスト性はニューラルネットワークにとって新たな課題となっている。 我々は,データ入力とモデル重みの共振レンズを用いて,ニューラルネットワークの非特異な対角性の概念を定式化する。
  論文  参考訳（メタデータ） (2021-02-23T20:59:30Z)

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。