論文の概要: Content-Aware Frequency Encoding for Implicit Neural Representations with Fourier-Chebyshev Features

• arxiv url: http://arxiv.org/abs/2603.01028v1
• Date: Sun, 01 Mar 2026 10:14:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.470546
• Title: Content-Aware Frequency Encoding for Implicit Neural Representations with Fourier-Chebyshev Features
• Title（参考訳）: Fourier-Chebyshev特徴を持つ入射ニューラル表現のコンテンツ認識周波数符号化
• Authors: Junbo Ke, Yangyang Xu, You-Wei Wen, Chao Wang,
• Abstract要約: Inlicit Neural Representations (INR)は、様々な信号処理タスクの強力なパラダイムとして登場した。 その固有のスペクトルバイアスは、高周波の詳細を捉える能力を制限する。 既存の手法では、通常は固定周波数ベースに依存するフーリエベースの特徴を用いることで、この問題を部分的に軽減している。
• 参考スコア（独自算出の注目度）: 14.632447227551864
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Implicit Neural Representations (INRs) have emerged as a powerful paradigm for various signal processing tasks, but their inherent spectral bias limits the ability to capture high-frequency details. Existing methods partially mitigate this issue by using Fourier-based features, which usually rely on fixed frequency bases. This forces multi-layer perceptrons (MLPs) to inefficiently compose the required frequencies, thereby constraining their representational capacity. To address this limitation, we propose Content-Aware Frequency Encoding (CAFE), which builds upon Fourier features through multiple parallel linear layers combined via a Hadamard product. CAFE can explicitly and efficiently synthesize a broader range of frequency bases, while the learned weights enable the selection of task-relevant frequencies. Furthermore, we extend this framework to CAFE+, which incorporates Chebyshev features as a complementary component to Fourier bases. This combination provides a stronger and more stable frequency representation. Extensive experiments across multiple benchmarks validate the effectiveness and efficiency of our approach, consistently achieving superior performance over existing methods. Our code is available at https://github.com/JunboKe0619/CAFE.
• Abstract（参考訳）: Inlicit Neural Representations (INR)は、様々な信号処理タスクの強力なパラダイムとして登場したが、その固有のスペクトルバイアスは、高周波の詳細をキャプチャする能力を制限する。 既存の手法では、通常は固定周波数ベースに依存するフーリエベースの特徴を用いることで、この問題を部分的に軽減している。 これにより、多層パーセプトロン(MLP)は要求される周波数を非効率に構成し、それによって表現能力を制限する。 この制限に対処するために、Adamard製品を介して結合された複数の並列線形層を通してFourier機能の上に構築されたContent-Aware Frequency Encoding (CAFE)を提案する。 CAFEは広範囲の周波数ベースを明示的にかつ効率的に合成でき、学習した重みはタスク関連周波数の選択を可能にする。 さらに、このフレームワークをChebyshev機能をFourierベースに補完するコンポーネントとして組み込んだCAFE+に拡張する。 この組み合わせはより強く、より安定した周波数表現を提供する。 複数のベンチマークにわたる大規模な実験は、我々のアプローチの有効性と効率を検証し、既存の手法よりも一貫して優れた性能を達成する。 私たちのコードはhttps://github.com/JunboKe0619/CAFE.comから入手可能です。

関連論文リスト

• Fourier Basis Mapping: A Time-Frequency Learning Framework for Time Series Forecasting [25.304812011127257]
  本稿では,時間周波数空間におけるフーリエ基底展開とマッピングによる時間周波数特徴の統合手法を提案する。 本手法は時間的特性を保ちながら明確な周波数特徴を抽出する。 結果は、長期および短期の予測タスクにおいて、多様な実世界のデータセットで検証される。
  論文  参考訳（メタデータ） (2025-07-13T01:45:27Z)
• SPECTRE: An FFT-Based Efficient Drop-In Replacement to Self-Attention for Long Contexts [2.200751835496112]
  長文変換器は、自己注意の二次的なコストのため、大幅な効率の課題に直面している。 本稿では,各注目ヘッドを高速な実FFTで置き換えるSPECTREを提案する。 我々は、この効率をPrefix-FFTキャッシュを介して自動回帰生成に拡張し、オプションのウェーブレットモジュールで局所的な特徴表現を強化する。
  論文  参考訳（メタデータ） (2025-02-25T17:43:43Z)
• Robustifying Fourier Features Embeddings for Implicit Neural Representations [25.725097757343367]
  Inlicit Neural Representation (INR) は、目標関数の対応する値に座標をマッピングすることで、連続関数を表現するためにニューラルネットワークを使用する。 INRは、様々な周波数を含むシーンを扱う際に、スペクトルバイアスとして知られる課題に直面している。 本稿では,多層パーセプトロン (MLP) を添加剤なしで使用することを提案する。
  論文  参考訳（メタデータ） (2025-02-08T07:43:37Z)
• FourierMamba: Fourier Learning Integration with State Space Models for Image Deraining [71.46369218331215]
  Image derainingは雨が降る画像から雨の跡を取り除き、透明な背景を復元することを目的としている。 本稿では,FourierMambaという新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-29T18:58:59Z)
• Frequency-Aware Deepfake Detection: Improving Generalizability through Frequency Space Learning [81.98675881423131]
  この研究は、目に見えないディープフェイク画像を効果的に識別できるユニバーサルディープフェイク検出器を開発するという課題に対処する。 既存の周波数ベースのパラダイムは、偽造検出のためにGANパイプラインのアップサンプリング中に導入された周波数レベルのアーティファクトに依存している。 本稿では、周波数領域学習を中心にしたFreqNetと呼ばれる新しい周波数認識手法を導入し、ディープフェイク検出器の一般化性を高めることを目的とする。
  論文  参考訳（メタデータ） (2024-03-12T01:28:00Z)
• FFPN: Fourier Feature Pyramid Network for Ultrasound Image Segmentation [15.011573950064424]
  超音波(US)画像セグメンテーションは多くのシナリオにおいてリアルタイムかつ高精度な解析を必要とする活発な研究領域である。 既存のアプローチは、不適切な輪郭符号化に悩まされるか、エンコードされた結果の有効活用に失敗する可能性がある。 本稿では,Fourier Feature Pyramid Network (FFPN) と呼ばれる新しいFourier-anchor-based DTSフレームワークについて述べる。
  論文  参考訳（メタデータ） (2023-08-26T07:28:09Z)
• Adaptive Frequency Filters As Efficient Global Token Mixers [100.27957692579892]
  適応周波数フィルタは効率的なグローバルトークンミキサーとして機能することを示す。 我々は、AFFNetと呼ばれる軽量ニューラルネットワークを構築するために、AFFトークンミキサーを主要なニューラルネットワークとして捉えています。
  論文  参考訳（メタデータ） (2023-07-26T07:42:28Z)
• Neural Fourier Filter Bank [18.52741992605852]
  本稿では, 効率的かつ高精度な再構築手法を提案する。 ウェーブレットにインスパイアされた我々は、信号が空間的にも周波数的にも分解されるニューラルネットワークを学習する。
  論文  参考訳（メタデータ） (2022-12-04T03:45:08Z)
• QFF: Quantized Fourier Features for Neural Field Representations [28.82293263445964]
  我々は、QFF(Quantized Fourier Features)を用いることで、モデルのサイズが小さくなり、トレーニングが速くなり、複数のアプリケーションの品質が向上することを示した。 QFFは簡単にコーディングでき、高速に計算でき、多くのニューラルネットワーク表現に加えてシンプルなドロップインとして機能する。
  論文  参考訳（メタデータ） (2022-12-02T00:11:22Z)
• Incremental Spatial and Spectral Learning of Neural Operators for Solving Large-Scale PDEs [86.35471039808023]
  Incrmental Fourier Neural Operator (iFNO)を導入し、モデルが使用する周波数モードの数を徐々に増加させる。 iFNOは、各種データセット間の一般化性能を維持したり改善したりしながら、トレーニング時間を短縮する。 提案手法は,既存のフーリエニューラル演算子に比べて20%少ない周波数モードを用いて,10%低いテスト誤差を示すとともに,30%高速なトレーニングを実現する。
  論文  参考訳（メタデータ） (2022-11-28T09:57:15Z)
• Deep Frequency Filtering for Domain Generalization [55.66498461438285]
  Deep Neural Networks(DNN)は、学習プロセスにおいて、いくつかの周波数成分を優先する。 本稿では、ドメイン一般化可能な特徴を学習するためのDeep Frequency Filtering (DFF)を提案する。 提案したDFFをベースラインに適用すると,ドメインの一般化タスクにおける最先端の手法よりも優れることを示す。
  論文  参考訳（メタデータ） (2022-03-23T05:19:06Z)
• Functional Regularization for Reinforcement Learning via Learned Fourier Features [98.90474131452588]
  本稿では、入力を学習されたフーリエベースに埋め込むことにより、深層強化学習のための簡単なアーキテクチャを提案する。 その結果、状態ベースと画像ベースの両方のRLのサンプル効率が向上することがわかった。
  論文  参考訳（メタデータ） (2021-12-06T18:59:52Z)

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。