論文の概要: T-MLP: Tailed Multi-Layer Perceptron for Level-of-Detail Signal Representation

• arxiv url: http://arxiv.org/abs/2509.00066v1
• Date: Tue, 26 Aug 2025 08:16:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.045496
• Title: T-MLP: Tailed Multi-Layer Perceptron for Level-of-Detail Signal Representation
• Title（参考訳）: T-MLP:レベル・オブ・ディテール信号表現のための多層パーセプトロン
• Authors: Chuanxiang Yang, Yuanfeng Zhou, Guangshun Wei, Siyu Ren, Yuan Liu, Junhui Hou, Wenping Wang,
• Abstract要約: レベル・オブ・ディーテール(LoD)表現は、画像や3次元形状などの様々な種類の信号を効率的にモデル化し、伝達するために重要である。 本稿では,LoD信号表現をサポートするニューラルアーキテクチャを提案する。 我々のアーキテクチャは広く使われているMulti-Layer Perceptron(MLP)の精巧な修正に基づいている。
• 参考スコア（独自算出の注目度）: 79.89307821140787
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Level-of-detail (LoD) representation is critical for efficiently modeling and transmitting various types of signals, such as images and 3D shapes. In this work, we present a novel neural architecture that supports LoD signal representation. Our architecture is based on an elaborate modification of the widely used Multi-Layer Perceptron (MLP), which inherently operates at a single scale and therefore lacks native support for LoD. Specifically, we introduce the Tailed Multi-Layer Perceptron (T-MLP) that extends the MLP by attaching multiple output branches, also called tails, to its hidden layers, enabling direct supervision at multiple depths. Our loss formulation and training strategy allow each hidden layer to effectively learn a target signal at a specific LoD, thus enabling multi-scale modeling. Extensive experimental results show that our T-MLP outperforms other neural LoD baselines across a variety of signal representation tasks.
• Abstract（参考訳）: レベル・オブ・ディーテール(LoD)表現は、画像や3次元形状などの様々な種類の信号を効率的にモデル化し、伝達するために重要である。 本研究では,LoD信号表現をサポートするニューラルアーキテクチャを提案する。 我々のアーキテクチャは広く使われているMulti-Layer Perceptron(MLP)の精巧な修正に基づいている。 具体的には,T-MLP (Tailed Multi-Layer Perceptron) を導入し,複数の出力枝(テールとも呼ばれる)をその隠蔽層にアタッチすることで,マルチ深度での直接監視を可能にする。 我々の損失定式化とトレーニング戦略により、隠蔽層は特定のLoDでターゲット信号を効果的に学習することができ、マルチスケールのモデリングが可能になる。 我々のT-MLPは、様々な信号表現タスクにおいて、他の神経LoDベースラインよりも優れていた。

関連論文リスト

• Prompt Guiding Multi-Scale Adaptive Sparse Representation-driven Network for Low-Dose CT MAR [48.23538056110433]
  低線量CT(LDCT)はX線被曝を減らすことができるが、画質を低下させる可能性がある。 既存のディープラーニングベースの取り組みには,2つの大きな制限がある。 LDMARタスクのためのマルチスケール適応スパース表現駆動ネットワークPMSRNetを提案する。
  論文  参考訳（メタデータ） (2025-04-28T11:23:57Z)
• Multi-Scale U-Shape MLP for Hyperspectral Image Classification [13.85573689689951]
  ハイパースペクトル画像の画素を識別する2つの課題は、局所的および大域的な相関情報と、モデルの豊富なパラメータをそれぞれ表現することである。 設計したMSC(Multi-Scale Channel)ブロックとU字型Multi-Layer Perceptron構造からなるマルチスケールU字型MUMLP(MUMLP)モデルを提案する。 我々のモデルは、広範囲に登録された3つの公開データセット上で、最先端の手法より優れている。
  論文  参考訳（メタデータ） (2023-07-05T08:52:27Z)
• MLP-SRGAN: A Single-Dimension Super Resolution GAN using MLP-Mixer [0.05219568203653523]
  単一次元超分解能生成適応ネットワーク(SRGAN)であるversa-SRGANを提案する。 SRGANは、MSSEG2チャレンジデータセットから高分解能(HR)FLAIR MRIを用いて訓練され、検証される。 その結果、SRGANの結果は、シャープなエッジ、ぼやけの少ない、テクスチャと微細解剖学的詳細を保存し、パラメータを少なくし、トレーニング/評価時間を短縮し、既存の方法よりもモデルサイズを小さくする。
  論文  参考訳（メタデータ） (2023-03-11T04:05:57Z)
• Masked Image Modeling with Local Multi-Scale Reconstruction [54.91442074100597]
  Masked Image Modeling (MIM) は自己教師付き表現学習において顕著な成功を収めている。 既存のMIMモデルはエンコーダの最上層でのみ再構成タスクを実行する。 そこで我々は,下層と上層がそれぞれ微細かつ粗大な監視信号を再構成する局所的マルチスケール再構成を設計する。
  論文  参考訳（メタデータ） (2023-03-09T13:42:04Z)
• The Lazy Neuron Phenomenon: On Emergence of Activation Sparsity in Transformers [59.87030906486969]
  本稿では,Transformer アーキテクチャを用いた機械学習モデルにおいて,アクティベーションマップが疎いという興味深い現象について考察する。 本稿では, 自然言語処理と視覚処理の両方において, スパーシリティが顕著な現象であることを示す。 本稿では,変換器のFLOP数を大幅に削減し,効率を向上する手法について論じる。
  論文  参考訳（メタデータ） (2022-10-12T15:25:19Z)
• CoordX: Accelerating Implicit Neural Representation with a Split MLP Architecture [2.6912336656165805]
  多層パーセプトロン(MLP)を用いた暗黙の神経表現は、近年、様々なタスクで注目されている。 座標に基づく表現の推論と訓練を高速化する新しい分割アーキテクチャであるCoordXを提案する。 画像,映像,3次元形状表現および描画タスクのベースラインモデルと比較して,最大2.92倍のスピードアップを示す。
  論文  参考訳（メタデータ） (2022-01-28T21:30:42Z)
• Multi-level Second-order Few-shot Learning [111.0648869396828]
  教師付きまたは教師なしの少数ショット画像分類と少数ショット動作認識のためのマルチレベル2次数列学習ネットワーク(MlSo)を提案する。 我々は、パワーノーマライズされた二階学習者ストリームと、複数のレベルの視覚的抽象化を表現する機能を組み合わせた、いわゆる2階学習者ストリームを活用している。 我々は,Omniglot, mini-ImageNet, tiered-ImageNet, Open MIC, CUB Birds, Stanford Dogs, Cars, HMDB51, UCF101, mini-MITなどのアクション認識データセットなどの標準データセットに対して,優れた結果を示す。
  論文  参考訳（メタデータ） (2022-01-15T19:49:00Z)
• Direct Multi-view Multi-person 3D Pose Estimation [138.48139701871213]
  マルチビュー画像からマルチパーソン3Dポーズを推定するためのMulti-view Pose Transformer(MvP)を提案する。 MvPは、中間タスクに頼ることなく、複数の人物の3Dポーズを直接クリーンで効率的な方法で回帰する。 我々は,MvPモデルがより効率的でありながら,いくつかのベンチマークにおいて最先端の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） (2021-11-07T13:09:20Z)

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。