論文の概要: FractalPINN-Flow: A Fractal-Inspired Network for Unsupervised Optical Flow Estimation with Total Variation Regularization

• arxiv url: http://arxiv.org/abs/2509.08670v1
• Date: Wed, 10 Sep 2025 15:05:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-11 15:16:52.469117
• Title: FractalPINN-Flow: A Fractal-Inspired Network for Unsupervised Optical Flow Estimation with Total Variation Regularization
• Title（参考訳）: フラクタルPINN-Flow:全変分正規化による教師なし光フロー推定のためのフラクタルインスパイアされたネットワーク
• Authors: Sara Behnamian, Rasoul Khaksarinezhad, Andreas Langer,
• Abstract要約: FractalPINN-Flowは、高密度光フロー推定のための教師なしのディープラーニングフレームワークである。 基礎的な真実を必要とせず、連続したグレースケールのフレームから直接学習する。 正確で滑らかで、エッジに保存される光学流れ場を生成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We present FractalPINN-Flow, an unsupervised deep learning framework for dense optical flow estimation that learns directly from consecutive grayscale frames without requiring ground truth. The architecture centers on the Fractal Deformation Network (FDN) - a recursive encoder-decoder inspired by fractal geometry and self-similarity. Unlike traditional CNNs with sequential downsampling, FDN uses repeated encoder-decoder nesting with skip connections to capture both fine-grained details and long-range motion patterns. The training objective is based on a classical variational formulation using total variation (TV) regularization. Specifically, we minimize an energy functional that combines $L^1$ and $L^2$ data fidelity terms to enforce brightness constancy, along with a TV term that promotes spatial smoothness and coherent flow fields. Experiments on synthetic and benchmark datasets show that FractalPINN-Flow produces accurate, smooth, and edge-preserving optical flow fields. The model is especially effective for high-resolution data and scenarios with limited annotations.
• Abstract（参考訳）: FractalPINN-Flowは、高密度光フロー推定のための教師なしのディープラーニングフレームワークで、地上の真実を必要とせずに連続的なグレースケールフレームから直接学習する。 フラクタル変形ネットワーク(FDN)はフラクタル幾何学と自己相似性に触発された再帰的なエンコーダデコーダである。 シーケンシャルなダウンサンプリングを持つ従来のCNNとは異なり、FDNはスキップ接続で繰り返しエンコーダ・デコーダをネストし、細かな詳細と長距離モーションパターンの両方をキャプチャする。 学習目的は, 総変分(TV)正規化を用いた古典的変分定式化に基づく。 具体的には、空間の滑らかさとコヒーレントな流れ場を促進するテレビ用語とともに、輝度コンスタントを強制するために、$L^1$と$L^2$のデータ忠実度項を組み合わせたエネルギー関数を最小化する。 合成およびベンチマークデータセットの実験により、フラクタルPINN-Flowは正確な、滑らかで、エッジ保存可能な光学流れ場を生成することが示された。 このモデルは、アノテーションが限定された高解像度のデータやシナリオに特に有効である。

関連論文リスト

• FLEX: A Backbone for Diffusion-Based Modeling of Spatio-temporal Physical Systems [51.15230303652732]
  FLEX (F Low Expert) は、時間物理系の生成モデリングのためのバックボーンアーキテクチャである。 拡散モデルにおける速度場の分散を低減し、トレーニングの安定化に役立つ。 少数の特徴を2つの逆拡散ステップとして用いて、超解像および予測タスクの正確な予測を行う。
  論文  参考訳（メタデータ） (2025-05-23T00:07:59Z)
• Fourier-Invertible Neural Encoder (FINE) for Homogeneous Flows [4.095418032380801]
  可逆ニューラルネットワークは、そのコンパクト性、解釈可能性、および情報保存特性に注目されている。 本稿では,可逆な単調活性化関数と可逆なフィルタ構造を組み合わせたフーリエ可逆ニューラルネットワーク(FINE)を提案する。
  論文  参考訳（メタデータ） (2025-05-21T10:02:59Z)
• FedNAR: Federated Optimization with Normalized Annealing Regularization [54.42032094044368]
  ウェイト崩壊の選択を探索し、ウェイト崩壊値が既存のFLアルゴリズムの収束に有意な影響を及ぼすことを確かめる。 我々は,既存のFLアルゴリズムにシームレスに統合可能なプラグインであるFederated Optimization with Normalized Annealing Regularization (FedNAR)を開発した。
  論文  参考訳（メタデータ） (2023-10-04T21:11:40Z)
• GAFlow: Incorporating Gaussian Attention into Optical Flow [62.646389181507764]
  我々はガウス的注意(GA)を光学フローモデルに押し込み、表現学習中に局所特性をアクセントする。 本稿では,既存の Transformer ブロックに簡単に接続可能な新しい Gaussian-Constrained Layer (GCL) を提案する。 動作解析のための新しいガウス誘導注意モジュール(GGAM)を提供する。
  論文  参考訳（メタデータ） (2023-09-28T07:46:01Z)
• Approximation Results for Gradient Descent trained Neural Networks [0.0]
  ネットワークは完全に接続された一定の深さ増加幅である。 連続カーネルエラーノルムは、滑らかな関数に必要な自然な滑らかさの仮定の下での近似を意味する。
  論文  参考訳（メタデータ） (2023-09-09T18:47:55Z)
• Dynamic Frame Interpolation in Wavelet Domain [57.25341639095404]
  ビデオフレームは、より流動的な視覚体験のためにフレームレートを上げることができる、重要な低レベルな計算ビジョンタスクである。 既存の手法は、高度なモーションモデルと合成ネットワークを利用することで大きな成功を収めた。 WaveletVFIは、同様の精度を維持しながら最大40%の計算を削減できるため、他の最先端技術に対してより効率的に処理できる。
  論文  参考訳（メタデータ） (2023-09-07T06:41:15Z)
• A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow Fields on Irregular Geometries [62.28265459308354]
  ネットワークは空間位置とCFD量のエンドツーエンドマッピングを学習する。 断面形状の異なるシリンダーを過ぎる非圧縮層状定常流を考察する。 ネットワークは従来のCFDの数百倍の速さで流れ場を予測する。
  論文  参考訳（メタデータ） (2020-10-15T12:15:02Z)

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。