論文の概要: Application of Deep Learning in Biological Data Compression
- arxiv url: http://arxiv.org/abs/2512.12975v1
- Date: Mon, 15 Dec 2025 04:40:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-16 17:54:56.532638
- Title: Application of Deep Learning in Biological Data Compression
- Title（参考訳）: 生物データ圧縮における深層学習の応用
- Authors: Chunyu Zou,
- Abstract要約: 低温電子顕微鏡(Cryo-EM)は、高分解能の生物学的構造を捉えるための重要なツールとなっている。
視覚化の優位性にもかかわらず、Cryo-EMデータファイルの大規模なストレージサイズは、研究者や教育者にとって大きな課題となっている。
本稿では,深層学習,特に暗黙的神経表現(INR)の生体データ圧縮への応用について検討する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cryogenic electron microscopy (Cryo-EM) has become an essential tool for capturing high-resolution biological structures. Despite its advantage in visualizations, the large storage size of Cryo-EM data file poses significant challenges for researchers and educators. This paper investigates the application of deep learning, specifically implicit neural representation (INR), to compress Cryo-EM biological data. The proposed approach first extracts the binary map of each file according to the density threshold. The density map is highly repetitive, ehich can be effectively compressed by GZIP. The neural network then trains to encode spatial density information, allowing the storage of network parameters and learnable latent vectors. To improve reconstruction accuracy, I further incorporate the positional encoding to enhance spatial representation and a weighted Mean Squared Error (MSE) loss function to balance density distribution variations. Using this approach, my aim is to provide a practical and efficient biological data compression solution that can be used for educational and research purpose, while maintaining a reasonable compression ratio and reconstruction quality from file to file.
- Abstract（参考訳）: 低温電子顕微鏡(Cryo-EM)は、高分解能の生物学的構造を捉えるための重要なツールとなっている。
視覚化の優位性にもかかわらず、Cryo-EMデータファイルの大規模なストレージサイズは、研究者や教育者にとって大きな課題となっている。
本稿では,深層学習,特に暗黙的神経表現(INR)の生体データ圧縮への応用について検討する。
提案手法は、まず、密度閾値に応じて各ファイルのバイナリマップを抽出する。
密度マップは非常に反復的であり、エキシヒはGZIPによって効果的に圧縮することができる。
ニューラルネットワークは、空間密度情報をエンコードして、ネットワークパラメータと学習可能な潜在ベクトルを格納する。
再構成精度を向上させるため,空間表現の向上のための位置符号化と,密度分布変動のバランスをとるために重み付き平均二乗誤差(MSE)損失関数を更に組み込んだ。
本研究の目的は, 適切な圧縮率とファイルからファイルへの再構成品質を維持しつつ, 教育・研究目的に利用できる, 実用的で効率的な生物学的データ圧縮ソリューションを提供することである。
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) - Compressive Meta-Learning [49.300635370079874]
圧縮学習(Compressive learning)は、ランダムで非線形な特徴を用いることで効率的な処理を可能にするフレームワークである。
圧縮学習手法の符号化段階と復号段階の両方をメタラーニングするフレームワークを提案する。
ニューラルネットワークベースの圧縮PCA、圧縮リッジ回帰、圧縮k平均、オートエンコーダなど、複数のアプリケーションについて検討する。
論文 参考訳（メタデータ） (2025-08-14T22:08:06Z) - D-CNN and VQ-VAE Autoencoders for Compression and Denoising of Industrial X-ray Computed Tomography Images [0.0]
本研究では,深層学習オートエンコーダを用いた産業用X線CTデータの圧縮について検討した。
圧縮速度が異なる2つのネットワークアーキテクチャ、ディープ畳み込みニューラルネットワーク(D-CNN)とベクトル量子化変分オートエンコーダ(VQ-VAE)が使用された。
圧縮率の異なる2つの異なるディープラーニングアーキテクチャから得られた復号画像の品質を定量化し、元の入力データと比較した。
論文 参考訳（メタデータ） (2025-07-10T12:32:28Z) - Decoupling Fine Detail and Global Geometry for Compressed Depth Map Super-Resolution [55.9977636042469]
圧縮深度マップ超解像のための新しいフレームワークGDNetを提案する。
グローバルおよび詳細な幾何学的特徴を別々に扱うことにより、高品質な深度マップ再構築プロセスを分離する。
我々の解は、幾何的整合性と詳細回復の観点から、現在の方法よりも大幅に優れています。
論文 参考訳（メタデータ） (2024-11-05T16:37:30Z) - Sparse $L^1$-Autoencoders for Scientific Data Compression [0.0]
L1$-regularizedの高次元ラテント空間を用いたオートエンコーダの開発により,効率的なデータ圧縮手法を提案する。
本稿では,これらの情報に富む潜伏空間を用いて,ぼやけなどのアーティファクトを緩和し,科学的データに対する高効率なデータ圧縮手法を実現する方法について述べる。
論文 参考訳（メタデータ） (2024-05-23T07:48:00Z) - Compression of Structured Data with Autoencoders: Provable Benefit of
Nonlinearities and Depth [83.15263499262824]
勾配勾配勾配は入力のスパース構造を完全に無視する解に収束することを示す。
浅層構造にデノナイジング関数を付加することにより,スパースデータの圧縮におけるガウス性能の改善方法を示す。
CIFAR-10 や MNIST などの画像データセットに対して,本研究の成果を検証した。
論文 参考訳（メタデータ） (2024-02-07T16:32:29Z) - Neural-based Compression Scheme for Solar Image Data [8.374518151411612]
我々は、NASAのデータ集約画像ミッションで使用されるニューラルネットワークに基づく損失圧縮手法を提案する。
本研究では,画像の局所構造と大域構造の両方を捉えるために,局所的および非局所的アテンションモジュールを備えた逆トレーニングニューラルネットワークを提案する。
このアルゴリズムをSDOデータ解析に使用するための概念実証として、圧縮画像を用いてコロナホール(CH)検出を行った。
論文 参考訳（メタデータ） (2023-11-06T04:13:58Z) - The Bearable Lightness of Big Data: Towards Massive Public Datasets in
Scientific Machine Learning [0.0]
損失のある圧縮アルゴリズムは、オープンソースのデータレポジトリに高忠実な科学データを公開するための現実的な経路を提供することを示す。
本稿では,ビッグデータフレームワークの構築に必要な要件を概説し,構築し,評価する。
論文 参考訳（メタデータ） (2022-07-25T21:44:53Z) - COIN++: Data Agnostic Neural Compression [55.27113889737545]
COIN++は、幅広いデータモダリティをシームレスに扱うニューラルネットワーク圧縮フレームワークである。
様々なデータモダリティを圧縮することで,本手法の有効性を示す。
論文 参考訳（メタデータ） (2022-01-30T20:12:04Z) - Using Convolutional Neural Networks to Detect Compression Algorithms [0.0]
ベースデータセットを使用し、さまざまなアルゴリズムですべてのファイルを圧縮し、それに基づいてモデルを設計します。
使用されるモデルは、圧縮、lzip、bzip2を使用して圧縮されたファイルを正確に識別することができた。
論文 参考訳（メタデータ） (2021-11-17T11:03:16Z)
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。