Fugu-MT 論文翻訳(概要): Implicit neural representation of textures

論文の概要: Implicit neural representation of textures

arxiv url: http://arxiv.org/abs/2602.02354v1
Date: Mon, 02 Feb 2026 17:17:20 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-03 19:28:34.317998
Title: Implicit neural representation of textures
Title（参考訳）: テクスチャの含意神経表現
Authors: Albert Kwok, Zheyuan Hu, Dounia Hammou,
Abstract要約: インプシット神経表現(INR)は、様々な領域において正確かつ効率的であることが証明されている。本研究では,異なるニューラルネットワークを新しいテクスチャINRとして設計する方法について検討する。
参考スコア（独自算出の注目度）: 2.6287243537123994
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Implicit neural representation (INR) has proven to be accurate and efficient in various domains. In this work, we explore how different neural networks can be designed as a new texture INR, which operates in a continuous manner rather than a discrete one over the input UV coordinate space. Through thorough experiments, we demonstrate that these INRs perform well in terms of image quality, with considerable memory usage and rendering inference time. We analyze the balance between these objectives. In addition, we investigate various related applications in real-time rendering and down-stream tasks, e.g. mipmap fitting and INR-space generation.
Abstract（参考訳）: インプシット神経表現(INR)は、様々な領域において正確かつ効率的であることが証明されている。本研究では,異なるニューラルネットワークを新しいテクスチャINRとして設計する方法について検討する。徹底的な実験により,これらのINRは画像の画質やメモリ使用量,レンダリング時間などの点で良好に機能することを示した。これらの目的のバランスを分析する。さらに、リアルタイムレンダリングやダウンストリームタスク、例えばミップマップフィッティングやINR空間生成における様々な応用について検討する。

関連論文リスト

Pruning AMR: Efficient Visualization of Implicit Neural Representations via Weight Matrix Analysis [0.0]
暗黙の神経表現 (INR) は、関数を近似するニューラルネットワークである。 InRによる幾何学的特徴に適応した解像度のメッシュを構築するアルゴリズムであるPruningAMRを提案する。
論文参考訳（メタデータ） (2025-12-02T17:49:01Z)
Exploring Kernel Transformations for Implicit Neural Representations [57.2225355625268]
入射神経表現(INR)は、ニューラルネットワークを利用して、対応する属性に座標をマッピングすることで、信号を表現する。この研究は、モデル自体を変更せずに入出力のカーネル変換の効果を探求する先駆者となった。我々の発見の副産物は、スケールとシフトを組み合わせて、INRを無視できないオーバーヘッドで著しく向上させる、単純で効果的な方法である。
論文参考訳（メタデータ） (2025-04-07T04:43:50Z)
Graph Neural Networks for Learning Equivariant Representations of Neural Networks [55.04145324152541]
本稿では,ニューラルネットワークをパラメータの計算グラフとして表現することを提案する。我々のアプローチは、ニューラルネットワークグラフを多種多様なアーキテクチャでエンコードする単一モデルを可能にする。本稿では,暗黙的ニューラル表現の分類や編集など,幅広いタスクにおける本手法の有効性を示す。
論文参考訳（メタデータ） (2024-03-18T18:01:01Z)
Modality-Agnostic Variational Compression of Implicit Neural Representations [96.35492043867104]
Inlicit Neural Representation (INR) としてパラメータ化されたデータの関数的ビューに基づくモーダリティ非依存型ニューラル圧縮アルゴリズムを提案する。潜時符号化と疎性の間のギャップを埋めて、ソフトゲーティング機構に非直線的にマッピングされたコンパクト潜時表現を得る。このような潜在表現のデータセットを得た後、ニューラル圧縮を用いてモーダリティ非依存空間におけるレート/歪みトレードオフを直接最適化する。
論文参考訳（メタデータ） (2023-01-23T15:22:42Z)
WIRE: Wavelet Implicit Neural Representations [42.147899723673596]
Inlicit Neural representations (INRs) は近年多くの視覚関連領域を進歩させている。現在のINRは高い精度で設計されているが、ロバスト性も劣っている。我々は、このトレードオフを示さない新しい、非常に正確で堅牢なINRを開発します。
論文参考訳（メタデータ） (2023-01-05T20:24:56Z)
Convolutional Neural Generative Coding: Scaling Predictive Coding to Natural Images [79.07468367923619]
畳み込み型神経生成符号化(Conv-NGC)を開発した。我々は、潜伏状態マップを段階的に洗練する柔軟な神経生物学的動機付けアルゴリズムを実装した。本研究は,脳にインスパイアされたニューラル・システムによる再建と画像復調の課題に対する効果について検討する。
論文参考訳（メタデータ） (2022-11-22T06:42:41Z)
Signal Processing for Implicit Neural Representations [80.38097216996164]
Inlicit Neural Representation (INR)は、マルチ層パーセプトロンを介して連続したマルチメディアデータを符号化する。既存の作業は、その離散化されたインスタンスの処理を通じて、そのような連続的な表現を操作する。本稿では,INSP-Netと呼ばれる暗黙的ニューラル信号処理ネットワークを提案する。
論文参考訳（メタデータ） (2022-10-17T06:29:07Z)
Neural Adaptive SCEne Tracing [24.781844909539686]
NAScenTは,ハイブリッド・明示的ニューラル表現を直接訓練した最初のニューラルレンダリング手法である。 NAScenTは、UAVが捕獲した屋外環境のような、大きくて人口の少ないボリュームを含む、困難なシーンを再構築することができる。
論文参考訳（メタデータ） (2022-02-28T10:27:23Z)
Neural Knitworks: Patched Neural Implicit Representation Networks [1.0470286407954037]
画像合成を実現する自然画像の暗黙的表現学習のためのアーキテクチャであるKnitworkを提案する。私たちの知る限りでは、画像のインペインティング、超解像化、デノイングといった合成作業に適した座標ベースのパッチの実装は、これが初めてである。その結果, ピクセルではなくパッチを用いた自然な画像のモデリングにより, 忠実度が高い結果が得られた。
論文参考訳（メタデータ） (2021-09-29T13:10:46Z)
Spatial Dependency Networks: Neural Layers for Improved Generative Image Modeling [79.15521784128102]
画像生成装置(デコーダ)を構築するための新しいニューラルネットワークを導入し、可変オートエンコーダ(VAE)に適用する。空間依存ネットワーク(sdns)では、ディープニューラルネットの各レベルにおける特徴マップを空間的にコヒーレントな方法で計算する。空間依存層による階層型vaeのデコーダの強化は密度推定を大幅に改善することを示す。
論文参考訳（メタデータ） (2021-03-16T07:01:08Z)

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。