論文の概要: In Situ Training of Implicit Neural Compressors for Scientific Simulations via Sketch-Based Regularization
- arxiv url: http://arxiv.org/abs/2511.02659v2
- Date: Wed, 05 Nov 2025 03:20:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-06 13:56:26.196488
- Title: In Situ Training of Implicit Neural Compressors for Scientific Simulations via Sketch-Based Regularization
- Title（参考訳）: スケッチベース正規化による科学シミュレーション用インシシシトニューラル圧縮機のその場訓練
- Authors: Cooper Simpson, Stephen Becker, Alireza Doostan,
- Abstract要約: 本稿では,完全およびスケッチデータサンプルのメモリバッファを限定的に使用したIn situトレーニングプロトコルを提案する。
暗黙的ニューラル表現に基づくハイパーネットを用いたインシチュニューラル圧縮を特に対象とする。
最も重要なことは、スケッチによって提示されたin situスキームが同等のオフラインメソッドの性能とほぼ一致することを示すことである。
- 参考スコア（独自算出の注目度）: 2.4214594180459366
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Focusing on implicit neural representations, we present a novel in situ training protocol that employs limited memory buffers of full and sketched data samples, where the sketched data are leveraged to prevent catastrophic forgetting. The theoretical motivation for our use of sketching as a regularizer is presented via a simple Johnson-Lindenstrauss-informed result. While our methods may be of wider interest in the field of continual learning, we specifically target in situ neural compression using implicit neural representation-based hypernetworks. We evaluate our method on a variety of complex simulation data in two and three dimensions, over long time horizons, and across unstructured grids and non-Cartesian geometries. On these tasks, we show strong reconstruction performance at high compression rates. Most importantly, we demonstrate that sketching enables the presented in situ scheme to approximately match the performance of the equivalent offline method.
- Abstract（参考訳）: 暗黙的なニューラル表現に焦点をあて,完全およびスケッチデータサンプルのメモリバッファを限定的に使用した新しいin situトレーニングプロトコルを提案する。
スケッチを正規化子として用いる理論的動機は、単純なJohnson-Lindenstrauss-informedの結果によって示される。
我々の手法は連続学習の分野においてより幅広い関心を持つかもしれないが、特に暗黙のニューラル表現に基づくハイパーネットワークを用いたin situニューラル圧縮をターゲットとしている。
本研究では,2次元,3次元,長い時間的地平線,非構造格子および非モンテカルロ測地における複雑なシミュレーションデータについて検討した。
これらの課題に対して,高い圧縮速度で高い復元性能を示す。
最も重要なことは、スケッチによって提示されたin situスキームが同等のオフラインメソッドの性能とほぼ一致することを示すことである。
関連論文リスト
- Knowledge-Informed Neural Network for Complex-Valued SAR Image Recognition [51.03674130115878]
本稿では,新しい「圧縮集約圧縮」アーキテクチャ上に構築された軽量なフレームワークであるKnowledge-Informed Neural Network(KINN)を紹介する。
KINNはパラメータ効率の認識における最先端を確立し、データスカースとアウト・オブ・ディストリビューションのシナリオにおいて例外的な一般化を提供する。
論文 参考訳（メタデータ） (2025-10-23T07:12:26Z) - Marching Neurons: Accurate Surface Extraction for Neural Implicit Shapes [14.372634421912094]
ニューラル暗黙関数から表面を解析的に抽出する新しい手法を提案する。
我々の方法は並列に動作し、大きなニューラルアーキテクチャをナビゲートできる。
結果として得られるメッシュは、アドホックな空間的離散化なしに、ネットワークから全幾何学情報を忠実にキャプチャする。
論文 参考訳（メタデータ） (2025-09-25T11:06:42Z) - Vertex Features for Neural Global Illumination [21.57826395764302]
明示的なメッシュ表面を含むニューラルレンダリングタスクのための学習可能な表現の一般化された定式化であるニューラル特徴を示す。
我々は、様々なニューラルレンダリングタスクにおける神経表現を、特にニューラルラジオシティに重点を置いて検証する。
論文 参考訳（メタデータ） (2025-08-11T11:10:19Z) - Deep Loss Convexification for Learning Iterative Models [11.36644967267829]
点雲登録のための反復的最近点(ICP)のような反復的手法は、しばしば悪い局所最適性に悩まされる。
我々は,各地真実の周囲に凸景観を形成する学習を提案する。
論文 参考訳（メタデータ） (2024-11-16T01:13:04Z) - Deep Learning Through A Telescoping Lens: A Simple Model Provides Empirical Insights On Grokking, Gradient Boosting & Beyond [61.18736646013446]
その驚くべき振る舞いをより深く理解するために、トレーニングされたニューラルネットワークの単純かつ正確なモデルの有用性について検討する。
3つのケーススタディで、様々な顕著な現象に関する新しい経験的洞察を導き出すためにどのように適用できるかを説明します。
論文 参考訳（メタデータ） (2024-10-31T22:54:34Z) - N-BVH: Neural ray queries with bounding volume hierarchies [51.430495562430565]
3Dコンピュータグラフィックスでは、シーンのメモリ使用量の大部分がポリゴンとテクスチャによるものである。
N-BVHは3次元の任意の光線クエリに応答するように設計されたニューラル圧縮アーキテクチャである。
本手法は, 視認性, 深度, 外観特性を忠実に近似する。
論文 参考訳（メタデータ） (2024-05-25T13:54:34Z) - DNS SLAM: Dense Neural Semantic-Informed SLAM [92.39687553022605]
DNS SLAMは、ハイブリッド表現を備えた新しいRGB-DセマンティックSLAMアプローチである。
本手法は画像に基づく特徴抽出と多視点幾何制約を統合し,外観の細部を改良する。
実験により, 合成データと実世界のデータ追跡の両面において, 最先端の性能が得られた。
論文 参考訳（メタデータ） (2023-11-30T21:34:44Z) - Enhancing Surface Neural Implicits with Curvature-Guided Sampling and Uncertainty-Augmented Representations [37.42624848693373]
本研究では,高忠実度3次元再構成作業において,深度画像を直接消化する手法を提案する。
高効率なトレーニングデータを生成するため,簡単なサンプリング手法を提案する。
その単純さにもかかわらず、本手法は古典的および学習的ベースラインの両方に優れる。
論文 参考訳（メタデータ） (2023-06-03T12:23:17Z) - Scene Synthesis via Uncertainty-Driven Attribute Synchronization [52.31834816911887]
本稿では,3次元シーンの多様な特徴パターンを捉えるニューラルシーン合成手法を提案する。
提案手法は,ニューラルネットワークと従来のシーン合成手法の双方の長所を結合する。
論文 参考訳（メタデータ） (2021-08-30T19:45:07Z) - Progressive Spatio-Temporal Bilinear Network with Monte Carlo Dropout
for Landmark-based Facial Expression Recognition with Uncertainty Estimation [93.73198973454944]
提案手法の性能は, 広く使用されている3つのデータセットで評価される。
ビデオベースの最先端の手法に匹敵するが、複雑さははるかに少ない。
論文 参考訳（メタデータ） (2021-06-08T13:40:30Z) - Deep Manifold Prior [37.725563645899584]
本稿では,3次元形状の表面などの多様体構造データに先行する手法を提案する。
この方法で生成された曲面は滑らかであり、ガウス過程を特徴とする制限的な挙動を示し、完全連結および畳み込みネットワークに対して数学的にそのような特性を導出する。
論文 参考訳（メタデータ） (2020-04-08T20:47:56Z)
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。