Fugu-MT 論文翻訳(概要): Compressed Sensing: Mathematical Foundations, Implementation, and Advanced Optimization Techniques

論文の概要: Compressed Sensing: Mathematical Foundations, Implementation, and Advanced Optimization Techniques

arxiv url: http://arxiv.org/abs/2509.11550v1
Date: Mon, 15 Sep 2025 03:29:18 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-16 17:26:23.139567
Title: Compressed Sensing: Mathematical Foundations, Implementation, and Advanced Optimization Techniques
Title（参考訳）: 圧縮センシング:数学的基礎,実装,高度最適化技術
Authors: Shane Stevenson, Maryam Sabagh,
Abstract要約: 圧縮センシング(英語: Compressed Sensor)は、小さな測定セットから信号の再構成を可能にする信号処理技術である。本稿では,圧縮センシングの背後にある数学的定式化とその論理と病理について検討し,実世界の信号に圧縮センシングを適用する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Compressed sensing is a signal processing technique that allows for the reconstruction of a signal from a small set of measurements. The key idea behind compressed sensing is that many real-world signals are inherently sparse, meaning that they can be efficiently represented in a different space with only a few components compared to their original space representation. In this paper we will explore the mathematical formulation behind compressed sensing, its logic and pathologies, and apply compressed sensing to real world signals.
Abstract（参考訳）: 圧縮センシング(英語: Compressed Sensor)は、小さな測定セットから信号の再構成を可能にする信号処理技術である。圧縮センシングの背景にある重要な考え方は、多くの実世界の信号は本質的に疎結合であり、つまり、元の空間表現と比較して、少数のコンポーネントしか持たない異なる空間で効率的に表現できるということである。本稿では,圧縮センシングの背後にある数学的定式化とその論理と病理について検討し,実世界の信号に圧縮センシングを適用する。

関連論文リスト

Latent Sensor Fusion: Multimedia Learning of Physiological Signals for Resource-Constrained Devices [1.7275975642409687]
我々は潜在空間を利用してモダリティに依存しない統一エンコーダを開発する。本手法では, センサ・ラテント融合を用いて生理的信号を解析・相関する。
論文参考訳（メタデータ） (2025-07-13T02:58:48Z)
Additive decomposition of one-dimensional signals using Transformers [48.7025991956527]
一次元信号分解は、様々な科学分野において確立され広く使われている技術である。近年の研究では、この問題に最新のディープラーニングモデルを適用すると、期待できる可能性を持った、エキサイティングで未探索な領域が現れることが示唆されている。我々はTransformerアーキテクチャを利用して、信号を構成コンポーネントに分解する。
論文参考訳（メタデータ） (2025-06-06T10:09:40Z)
Experimental distributed quantum sensing in a noisy environment [0.10840985826142428]
我々は、トラップイオンセンサーを用いて、関連するセンシングプロトコルを実験的に実証した。多次元センサの絡み合った状態が生成され、信号を分離し、最適に検出する。
論文参考訳（メタデータ） (2025-01-15T16:42:55Z)
White-Box Transformers via Sparse Rate Reduction: Compression Is All There Is? [27.58916930770997]
数学的に完全に解釈可能なCRATEという,ホワイトボックストランスフォーマーのようなディープネットワークアーキテクチャのファミリーを示す。実験によると、これらのネットワークは単純さにもかかわらず、大規模な実世界の画像とテキストデータセットの表現を圧縮し、分散化することを学習している。
論文参考訳（メタデータ） (2023-11-22T02:23:32Z)
Polynomial Neural Fields for Subband Decomposition and Manipulation [78.2401411189246]
我々はニューラルフィールド(PNF)と呼ばれる新しい種類のニューラルフィールドを提案する。 PNFの鍵となる利点は、信号がニューラルネットワークの利点を失うことなく、操作可能なコンポーネントと解釈可能なコンポーネントの合成として表現できることである。本研究では,Fourier PNFがテクスチャ転送やスケール空間といった信号操作の応用を可能にすることを実証的に示す。
論文参考訳（メタデータ） (2023-02-09T18:59:04Z)
PREF: Phasorial Embedding Fields for Compact Neural Representations [54.44527545923917]
本稿では,脳神経信号モデリングと再構成作業を容易にするためのコンパクトな表現として,ファサール埋め込みフィールドemphPREFを提案する。実験の結果,PreFをベースとしたニューラル信号処理技術は,2次元画像補完,3次元SDF表面回帰,5次元放射野再構成と同等であることがわかった。
論文参考訳（メタデータ） (2022-05-26T17:43:03Z)
Meta-Learning Sparse Implicit Neural Representations [69.15490627853629]
入射神経表現は、一般的な信号を表す新しい道である。現在のアプローチは、多数の信号やデータセットに対してスケールすることが難しい。メタ学習型スパースニューラル表現は,高密度メタ学習モデルよりもはるかに少ない損失が得られることを示す。
論文参考訳（メタデータ） (2021-10-27T18:02:53Z)
MetaSDF: Meta-learning Signed Distance Functions [85.81290552559817]
ニューラルな暗示表現で形状を一般化することは、各関数空間上の学習先行値に比例する。形状空間の学習をメタラーニング問題として定式化し、勾配に基づくメタラーニングアルゴリズムを利用してこの課題を解決する。
論文参考訳（メタデータ） (2020-06-17T05:14:53Z)
Deep Soft Procrustes for Markerless Volumetric Sensor Alignment [81.13055566952221]
本研究では、より堅牢なマルチセンサ空間アライメントを実現するために、マーカーレスデータ駆動対応推定を改善する。我々は、幾何学的制約を終末的に典型的なセグメンテーションベースモデルに組み込み、対象のポーズ推定タスクと中間密な分類タスクをブリッジする。実験により,マーカーベースの手法で同様の結果が得られ,マーカーレス手法よりも優れ,またキャリブレーション構造のポーズ変動にも頑健であることがわかった。
論文参考訳（メタデータ） (2020-03-23T10:51:32Z)
Restricted Structural Random Matrix for Compressive Sensing [9.796763590985183]
この研究は、新しいサンプリングマトリックスでセキュリティを損なうことなく、センシングと圧縮効率を改善することを目的としていた。 RSRMはフレームベースおよびブロックベースセンシングの利点と、それ以前のグローバルな滑らかさを統合した。 RSRMは制限等尺性を満たすことが証明され、最近の最先端の圧縮センシングと深層学習に基づく手法と同等の再構成性能を示す。
論文参考訳（メタデータ） (2020-02-18T02:52:51Z)

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。