論文の概要: A Hypertoroidal Covering for Perfect Color Equivariance

• arxiv url: http://arxiv.org/abs/2603.04256v1
• Date: Wed, 04 Mar 2026 16:43:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-05 21:29:15.405904
• Title: A Hypertoroidal Covering for Perfect Color Equivariance
• Title（参考訳）: フルカラー等価性のためのハイパートロイダルカバー
• Authors: Yulong Yang, Zhikun Xu, Yaojun Li, Christine Allen-Blanchette,
• Abstract要約: 我々は、真に同変な色同変アーキテクチャを導入する。 区間を実数直線で近似する代わりに、区間上の値を円上の値(二重被覆)に上げ、そこで同変表現を構築する。 提案手法は,従来の手法の近似アーティファクトを解き,解釈可能性と一般化性を改善し,細粒度分類や医用画像処理といったタスクにおける従来的および同質なベースラインよりも優れた予測性能を実現する。
• 参考スコア（独自算出の注目度）: 3.793458006209272
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: When the color distribution of input images changes at inference, the performance of conventional neural network architectures drops considerably. A few researchers have begun to incorporate prior knowledge of color geometry in neural network design. These color equivariant architectures have modeled hue variation with 2D rotations, and saturation and luminance transformations as 1D translations. While this approach improves neural network robustness to color variations in a number of contexts, we find that approximating saturation and luminance (interval valued quantities) as 1D translations introduces appreciable artifacts. In this paper, we introduce a color equivariant architecture that is truly equivariant. Instead of approximating the interval with the real line, we lift values on the interval to values on the circle (a double-cover) and build equivariant representations there. Our approach resolves the approximation artifacts of previous methods, improves interpretability and generalizability, and achieves better predictive performance than conventional and equivariant baselines on tasks such as fine-grained classification and medical imaging tasks. Going beyond the context of color, we show that our proposed lifting can also extend to geometric transformations such as scale.
• Abstract（参考訳）: 入力画像の色分布が推論で変化すると、従来のニューラルネットワークアーキテクチャの性能は大幅に低下する。 数人の研究者が、ニューラルネットワークの設計に色幾何学の以前の知識を取り入れ始めた。 これらの色相同型アーキテクチャは2次元回転を伴う色相変化をモデル化し、飽和および輝度変換を1次元変換として行う。 このアプローチは、さまざまな文脈における色の変化に対するニューラルネットワークのロバスト性を改善するが、1D翻訳による彩度と輝度(内部値量)の近似は、認識可能なアーティファクトを導入する。 本稿では,真に同変な色同変アーキテクチャを提案する。 区間を実数直線で近似する代わりに、区間上の値を円上の値(二重被覆)に上げ、そこで同変表現を構築する。 提案手法は,従来の手法の近似アーティファクトを解き,解釈可能性と一般化性を改善し,細粒度分類や医用画像処理といったタスクにおける従来的および同質なベースラインよりも優れた予測性能を実現する。 色の文脈を超えて、我々の提案したリフトはスケールのような幾何学的変換にも拡張可能であることを示す。

関連論文リスト

• Learning Color Equivariant Representations [1.9594704501292781]
  色変化に同値なグループ畳み込みニューラルネットワーク(GCNN)を導入する。 GCNNは、2次元と3次元の回転群からスケールのような半群への様々な幾何学的変換のために設計されている。
  論文  参考訳（メタデータ） (2024-06-13T21:02:03Z)
• Color Equivariant Convolutional Networks [50.655443383582124]
  CNNは、偶然に記録された条件によって導入された色の変化の間にデータ不均衡がある場合、苦労する。 カラースペクトル間の形状特徴共有を可能にする新しいディープラーニングビルディングブロックであるカラー等変畳み込み(CEConvs)を提案する。 CEConvsの利点は、様々なタスクに対するダウンストリーム性能と、列車-テストの分散シフトを含む色の変化に対するロバスト性の改善である。
  論文  参考訳（メタデータ） (2023-10-30T09:18:49Z)
• Explicit Correspondence Matching for Generalizable Neural Radiance Fields [66.99907718824782]
  本稿では,新たな未知のシナリオに一般化し,2つのソースビューで新規なビュー合成を行う新しいNeRF手法を提案する。 明瞭な対応マッチングは、異なるビュー上の3Dポイントの2次元投影でサンプリングされた画像特徴間のコサイン類似度と定量化される。 実験では,実験結果から得られたコサイン特徴の類似性と体積密度との間に強い相関関係が認められた。
  論文  参考訳（メタデータ） (2023-04-24T17:46:01Z)
• The Lie Derivative for Measuring Learned Equivariance [84.29366874540217]
  我々は、CNN、トランスフォーマー、ミキサーアーキテクチャにまたがる数百の事前訓練されたモデルの同値性について検討する。 その結果,不等式違反の多くは,不等式などのユビキタスネットワーク層における空間エイリアスに関連付けられることがわかった。 例えば、トランスはトレーニング後の畳み込みニューラルネットワークよりも同種である。
  論文  参考訳（メタデータ） (2022-10-06T15:20:55Z)
• Imaging with Equivariant Deep Learning [9.333799633608345]
  我々は、同変イメージングの出現する分野を概観し、それが一般化と新たなイメージングの機会をいかに向上させるかを示す。 獲得物理と集団行動の相互作用と、反復的再構成、ブラインド圧縮センシング、自己教師型学習との関連を示す。
  論文  参考訳（メタデータ） (2022-09-05T02:13:57Z)
• Neural Color Operators for Sequential Image Retouching [62.99812889713773]
  本稿では,新たに導入したトレーニング可能なニューラルカラー演算子のシーケンスとして,リタッチ処理をモデル化して,新しい画像リタッチ手法を提案する。 ニューラルカラー演算子は、従来のカラー演算子の振舞いを模倣し、その強度をスカラーで制御しながらピクセルワイズな色変換を学習する。 定量的な測定と視覚的品質の両面で,SOTA法と比較して常に最良の結果が得られている。
  論文  参考訳（メタデータ） (2022-07-17T05:33:19Z)
• Revisiting Transformation Invariant Geometric Deep Learning: An Initial Representation Perspective [38.314914702299056]
  我々は幾何学的データのための単純で汎用的なプラグインであるTransform In Neural Networks (TinvNN)を提案する。 具体的には,多次元スケーリングを改良することにより,変換不変性と距離保存初期点表現を実現する。 我々は、TinvNNが変換不変性を厳密に保証し、既存のニューラルネットワークと組み合わせられるほど汎用的で柔軟なことを証明した。
  論文  参考訳（メタデータ） (2021-12-23T03:52:33Z)
• Frame Averaging for Equivariant Shape Space Learning [85.42901997467754]
  形状空間学習に対称性を組み込む自然な方法は、形状空間(エンコーダ)への写像と形状空間(デコーダ)からの写像が関連する対称性に同値であることを問うことである。 本稿では,2つのコントリビューションを導入することで,エンコーダとデコーダの等価性を組み込む枠組みを提案する。
  論文  参考訳（メタデータ） (2021-12-03T06:41:19Z)
• Quantised Transforming Auto-Encoders: Achieving Equivariance to Arbitrary Transformations in Deep Networks [23.673155102696338]
  畳み込みニューラルネットワーク(CNN)は画像翻訳と等価である。 埋め込みは任意の等式関係を同時に従うオートエンコーダアーキテクチャを提案する。 いくつかのデータセット上で入力画像の変換版の再レンダリングに成功した結果を示す。
  論文  参考訳（メタデータ） (2021-11-25T02:26:38Z)
• Geometric Correspondence Fields: Learned Differentiable Rendering for 3D Pose Refinement in the Wild [96.09941542587865]
  野生の任意のカテゴリのオブジェクトに対する微分可能レンダリングに基づく新しい3次元ポーズ精細化手法を提案する。 このようにして、3DモデルとRGB画像のオブジェクトを正確に整列し、3Dポーズ推定を大幅に改善する。 我々は、Pix3Dデータセットの挑戦に対するアプローチを評価し、複数のメトリクスにおける最先端の精錬手法と比較して、最大55%の改善を実現した。
  論文  参考訳（メタデータ） (2020-07-17T12:34:38Z)

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。