論文の概要: Factorized Multi-Resolution HashGrid for Efficient Neural Radiance Fields: Execution on Edge-Devices

• arxiv url: http://arxiv.org/abs/2604.02836v1
• Date: Fri, 03 Apr 2026 07:56:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 17:20:24.38715
• Title: Factorized Multi-Resolution HashGrid for Efficient Neural Radiance Fields: Execution on Edge-Devices
• Title（参考訳）: 効率的なニューラルラディアンスフィールドのための分解能多解HashGrid:エッジデバイスによる実行
• Authors: Kim Jun-Seong, Mingyu Kim, GeonU Kim, Tae-Hyun Oh, Jin-Hwa Kim,
• Abstract要約: ニューラル・ラジアンス・フィールド(NeRF)は3次元表現において重要な役割を担っているが、その用途は計算資源が大きいため限られている。 デバイス上でのトレーニングは、大きなアプリケーションフィールドを開き、通信制限、プライバシー上の懸念、頻繁に変化するシーンへの迅速な適応の強化を提供する。 本稿では、デバイス上の神経放射場をトレーニングするための新しいパラメータエンコーディング法であるFact-Hashを紹介する。
• 参考スコア（独自算出の注目度）: 39.54224220354631
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce Fact-Hash, a novel parameter-encoding method for training on-device neural radiance fields. Neural Radiance Fields (NeRF) have proven pivotal in 3D representations, but their applications are limited due to large computational resources. On-device training can open large application fields, providing strength in communication limitations, privacy concerns, and fast adaptation to a frequently changing scene. However, challenges such as limited resources (GPU memory, storage, and power) impede their deployment. To handle this, we introduce Fact-Hash, a novel parameter-encoding merging Tensor Factorization and Hash-encoding techniques. This integration offers two benefits: the use of rich high-resolution features and the few-shot robustness. In Fact-Hash, we project 3D coordinates into multiple lower-dimensional forms (2D or 1D) before applying the hash function and then aggregate them into a single feature. Comparative evaluations against state-of-the-art methods demonstrate Fact-Hash's superior memory efficiency, preserving quality and rendering speed. Fact-Hash saves memory usage by over one-third while maintaining the PSNR values compared to previous encoding methods. The on-device experiment validates the superiority of Fact-Hash compared to alternative positional encoding methods in computational efficiency and energy consumption. These findings highlight Fact-Hash as a promising solution to improve feature grid representation, address memory constraints, and improve quality in various applications. Project page: https://facthash.github.io/
• Abstract（参考訳）: 本稿では、デバイス上の神経放射場をトレーニングするための新しいパラメータエンコーディング法であるFact-Hashを紹介する。 ニューラル・ラジアンス・フィールド(NeRF)は3次元表現において重要な役割を担っているが、その用途は計算資源が大きいため限られている。 デバイス上でのトレーニングは、大きなアプリケーションフィールドを開き、通信制限、プライバシー上の懸念、頻繁に変化するシーンへの迅速な適応の強化を提供する。 しかし、限られたリソース(GPUメモリ、ストレージ、電力)が配置を妨げている。 これに対応するために、新しいパラメータエンコーディングのテンソル因子化とハッシュエンコーディング技術であるFact-Hashを紹介する。 この統合は、リッチな高解像度機能の使用と、数ショットの堅牢性という2つの利点を提供します。 Fact-Hashでは、ハッシュ関数を適用する前に3D座標を複数の低次元形式(2Dまたは1D)に投影し、それを1つの特徴に集約する。 最先端手法との比較評価では、Fact-Hashのメモリ効率が優れ、品質とレンダリング速度が保たれている。 Fact-Hashは、以前のエンコーディング方法と比較してPSNR値を維持しながら、メモリ使用量を3分の1以上節約する。 デバイス上での実験では、計算効率とエネルギー消費における代替位置符号化法と比較して、Fact-Hashの優位性を検証している。 これらの知見は、Fact-Hashを、機能グリッド表現の改善、メモリ制約への対処、各種アプリケーションの品質改善のための有望なソリューションとして強調している。 プロジェクトページ: https://facthash.github.io/

関連論文リスト

• Voronoi Diagram Encoded Hashing [9.339307138969193]
  ボロノイ図形はその3つの性質のために適切な候補である。 本稿では,Voronoi Diagram Encoded Hashing (VDeH) と呼ばれる,単純で効率的なノンラーニングバイナリハッシュ法を提案する。
  論文  参考訳（メタデータ） (2025-08-04T10:16:48Z)
• Gotta Hash 'Em All! Speeding Up Hash Functions for Zero-Knowledge Proof Applications [9.853088551679969]
  HashEmAllは、ZKフレンドリーなハッシュ関数のためのFPGAベースの新しいコレクションである。 我々の評価によると、レイテンシ最適化HashEmAllはCPU実装よりも少なくとも10倍高い性能を実現している。 これは、大規模なデータ認証を含む現実世界のZKPアプリケーションに対するHashEmAllの適合性を強調している。
  論文  参考訳（メタデータ） (2025-01-30T22:09:05Z)
• Nested Hash Layer: A Plug-and-play Module for Multiple-length Hash Code Learning [61.095479786194836]
  Nested Hash Layer (NHL) は、深い教師付きハッシュモデルのためのプラグイン・アンド・プレイモジュールである。 NHLは、複数の長さのハッシュコードをネスト構造で同時に生成する。 NHLは、様々な深層型ハッシュモデルに対して、トレーニング速度を約5～8倍に向上させる。
  論文  参考訳（メタデータ） (2024-12-12T04:13:09Z)
• CoopHash: Cooperative Learning of Multipurpose Descriptor and Contrastive Pair Generator via Variational MCMC Teaching for Supervised Image Hashing [42.67510119856105]
  GAN(Generative Adversarial Networks)のような生成モデルは、画像ハッシュモデルで合成データを生成することができる。 GANは訓練が難しいため、ハッシュアプローチが生成モデルとハッシュ関数を共同で訓練するのを防ぐことができる。 本稿では,エネルギーをベースとした協調学習に基づく新しい協調ハッシュネットワークを提案する。
  論文  参考訳（メタデータ） (2022-10-09T15:42:36Z)
• Asymmetric Scalable Cross-modal Hashing [51.309905690367835]
  クロスモーダルハッシュは、大規模なマルチメディア検索問題を解決する方法として成功している。 これらの問題に対処する新しい非対称スケーラブルクロスモーダルハッシュ(ASCMH)を提案する。 我々のASCMHは、最先端のクロスモーダルハッシュ法よりも精度と効率の点で優れています。
  論文  参考訳（メタデータ） (2022-07-26T04:38:47Z)
• Self-Distilled Hashing for Deep Image Retrieval [25.645550298697938]
  ハッシュベースの画像検索システムでは、元の入力から変換された入力は通常、異なるコードを生成する。 本稿では,拡張データの可能性を活用しつつ,相違を最小限に抑えるために,自己蒸留ハッシュ方式を提案する。 また、ハッシュプロキシに基づく類似性学習や、バイナリクロスエントロピーに基づく量子化損失を導入し、高品質なハッシュコードを提供する。
  論文  参考訳（メタデータ） (2021-12-16T12:01:50Z)
• ASH: A Modern Framework for Parallel Spatial Hashing in 3D Perception [91.24236600199542]
  ASHは、GPU上の並列空間ハッシュのためのモダンで高性能なフレームワークである。 ASHはより高いパフォーマンスを実現し、よりリッチな機能をサポートし、より少ないコード行を必要とする。 ASHとそのサンプルアプリケーションはOpen3Dでオープンソース化されている。
  論文  参考訳（メタデータ） (2021-10-01T16:25:40Z)
• Reinforcing Short-Length Hashing [61.75883795807109]
  既存の手法は、非常に短いハッシュコードを用いた検索性能が劣っている。 本研究では, 短寿命ハッシュ(RSLH)を改良する新しい手法を提案する。 本稿では,ハッシュ表現とセマンティックラベルの相互再構成を行い,セマンティック情報を保存する。 3つの大規模画像ベンチマークの実験は、様々な短いハッシュシナリオ下でのRSLHの優れた性能を示す。
  論文  参考訳（メタデータ） (2020-04-24T02:23:52Z)
• Image Hashing by Minimizing Discrete Component-wise Wasserstein Distance [12.968141477410597]
  競合するオートエンコーダは、バランスよく高品質なハッシュコードを生成する堅牢で局所性を保存するハッシュ関数を暗黙的に学習できることが示されている。 既存の逆ハッシュ法は、大規模な画像検索に非効率である。 本稿では,サンプル要求と計算コストを大幅に低減した,新しい対向型オートエンコーダハッシュ手法を提案する。
  論文  参考訳（メタデータ） (2020-02-29T00:22:53Z)

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。