論文の概要: CWRNN-INVR: A Coupled WarpRNN based Implicit Neural Video Representation

• arxiv url: http://arxiv.org/abs/2604.06564v1
• Date: Wed, 08 Apr 2026 01:26:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.287082
• Title: CWRNN-INVR: A Coupled WarpRNN based Implicit Neural Video Representation
• Title（参考訳）: CWRNN-INVR: 結合型ワープRNNベースのインプシットニューラルビデオ表現
• Authors: Yiyang Li, Yanbo Gao, Shuai Li, Zhenyu Du, Jinglin Zhang, Hui Yuan, Mao Ye, Xingyu Gao,
• Abstract要約: Inlicit Neural Video Representation (INVR) はビデオ表現と圧縮の新しいアプローチとして登場した。 本稿では,ニューラルネットワークに基づくINVRとグリッドに基づくINVRの違いについて検討する。 混合ニューラルネットワークと残留グリッドフレームワークに基づくINVRを提案する。
• 参考スコア（独自算出の注目度）: 32.965908208935936
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Implicit Neural Video Representation (INVR) has emerged as a novel approach for video representation and compression, using learnable grids and neural networks. Existing methods focus on developing new grid structures efficient for latent representation and neural network architectures with large representation capability, lacking the study on their roles in video representation. In this paper, the difference between INVR based on neural network and INVR based on grid is first investigated from the perspective of video information composition to specify their own advantages, i.e., neural network for general structure while grid for specific detail. Accordingly, an INVR based on mixed neural network and residual grid framework is proposed, where the neural network is used to represent the regular and structured information and the residual grid is used to represent the remaining irregular information in a video. A Coupled WarpRNN-based multi-scale motion representation and compensation module is specifically designed to explicitly represent the regular and structured information, thus terming our method as CWRNN-INVR. For the irregular information, a mixed residual grid is learned where the irregular appearance and motion information are represented together. The mixed residual grid can be combined with the coupled WarpRNN in a way that allows for network reuse. Experiments show that our method achieves the best reconstruction results compared with the existing methods, with an average PSNR of 33.73 dB on the UVG dataset under the 3M model and outperforms existing INVR methods in other downstream tasks. The code can be found at https://github.com/yiyang-sdu/CWRNN-INVR.git}{https://github.com/yiyang-sdu/CWRNN-INVR.git.
• Abstract（参考訳）: Implicit Neural Video Representation (INVR)は、学習可能なグリッドとニューラルネットワークを使用して、ビデオ表現と圧縮の新しいアプローチとして登場した。 既存の手法では、遅延表現と大きな表現能力を持つニューラルネットワークアーキテクチャのために効率的な新しいグリッド構造の開発に重点を置いており、ビデオ表現におけるそれらの役割に関する研究は欠如している。 本稿では,ニューラルネットワークに基づくINVRとグリッドに基づくINVRの差について,まずビデオ情報合成の観点から検討し,その利点,すなわち一般構造に対するニューラルネットワークの利点を明らかにした。 そこで, 混合ニューラルネットワークと残差グリッドの枠組みに基づくINVRを提案し, ニューラルネットワークを用いて正規かつ構造化された情報を表現し, 残差グリッドを用いて残差情報を表現する。 The Coupled WarpRNN based multi-scale motion representation and compensation module is designed to express the regular and structured information, which our method called CWRNN-INVR。 不規則な情報については、不規則な外観と動き情報とが混在している場所を混合残差格子で学習する。 混合残差グリッドは、ネットワーク再利用を可能にする方法で、結合されたWarpRNNと組み合わせることができる。 実験の結果,UVGデータセットの平均PSNRは3Mモデルで33.73dBであり,既存のINVR手法よりも優れていることがわかった。 コードはhttps://github.com/yiyang-sdu/CWRNN-INVR.git}{https://github.com/yiyang-sdu/CWRNN-INVR.gitにある。

関連論文リスト

• Progressive Fourier Neural Representation for Sequential Video Compilation [75.43041679717376]
  連続学習によって動機づけられたこの研究は、シーケンシャルエンコーディングセッションを通じて、複数の複雑なビデオデータに対して、ニューラル暗黙表現を蓄積し、転送する方法を研究する。 本稿では,FFNR(Progressive Fourier Neural Representation)という,FFNR(Progressive Fourier Neural Representation)という,FFNR(Progressive Fourier Neural Representation)という手法を提案する。 我々は,UVG8/17とDAVIS50のビデオシーケンスベンチマークでPFNR法を検証し,強力な連続学習ベースラインよりも優れた性能向上を実現した。
  論文  参考訳（メタデータ） (2023-06-20T06:02:19Z)
• Variable Bitrate Neural Fields [75.24672452527795]
  本稿では,特徴格子を圧縮し,メモリ消費を最大100倍に削減する辞書手法を提案する。 辞書の最適化をベクトル量子化オートデコーダ問題として定式化し、直接監督できない空間において、エンドツーエンドの離散神経表現を学習する。
  論文  参考訳（メタデータ） (2022-06-15T17:58:34Z)
• Neural Residual Flow Fields for Efficient Video Representations [5.904082461511478]
  入射神経表現(INR)は、画像、ビデオ、3D形状などの信号を表現するための強力なパラダイムとして登場した。 本稿では,データ冗長性を明示的に取り除き,ビデオの表現と圧縮を行う新しいINR手法を提案する。 本稿では,提案手法がベースライン法よりも有意差で優れていることを示す。
  論文  参考訳（メタデータ） (2022-01-12T06:22:09Z)
• CondenseNeXt: An Ultra-Efficient Deep Neural Network for Embedded Systems [0.0]
  畳み込みニューラルネットワーク(英: Convolutional Neural Network, CNN)は、画像センサが捉えた視覚画像の分析に広く用いられているディープニューラルネットワーク(DNN)のクラスである。 本稿では,組込みシステム上でのリアルタイム推論のために,既存のCNNアーキテクチャの性能を改善するために,深層畳み込みニューラルネットワークアーキテクチャの新しい変種を提案する。
  論文  参考訳（メタデータ） (2021-12-01T18:20:52Z)
• Convolutional Neural Networks with Gated Recurrent Connections [25.806036745901114]
  リカレント畳み込みニューラルネットワーク(RCNN)は、動物の視覚系における豊富なリカレント接続にインスパイアされている。 本稿では、繰り返し接続にゲートを導入することにより、ニューロンの受容野(RF)を変調することを提案する。 GRCNNは、オブジェクト認識、シーンテキスト認識、オブジェクト検出などのコンピュータビジョンタスクで評価された。
  論文  参考訳（メタデータ） (2021-06-05T10:14:59Z)
• PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
  歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。 本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-17T08:28:30Z)
• Overcoming Catastrophic Forgetting in Graph Neural Networks [50.900153089330175]
  破滅的な忘れは、ニューラルネットワークが新しいタスクを学ぶ前に学んだ知識を「忘れる」傾向を指します。 本稿では,この問題を克服し,グラフニューラルネットワーク(GNN)における継続学習を強化するための新しいスキームを提案する。 私たちのアプローチの中心には、トポロジ認識重量保存(TWP)と呼ばれる汎用モジュールがあります。
  論文  参考訳（メタデータ） (2020-12-10T22:30:25Z)
• Volterra Neural Networks (VNNs) [24.12314339259243]
  本稿では,畳み込みニューラルネットワークの複雑性を低減するために,Volterraフィルタにインスパイアされたネットワークアーキテクチャを提案する。 本稿では,Volterra Neural Network(VNN)の並列実装とその性能について述べる。 提案手法は,動作認識のためのUCF-101およびHMDB-51データセットを用いて評価し,CNN手法よりも優れていた。
  論文  参考訳（メタデータ） (2019-10-21T19:22:38Z)

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。