論文の概要: NeuVolEx: Implicit Neural Features for Volume Exploration

• arxiv url: http://arxiv.org/abs/2604.11172v1
• Date: Mon, 13 Apr 2026 08:30:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.428306
• Title: NeuVolEx: Implicit Neural Features for Volume Exploration
• Title（参考訳）: NeuVolEx: ボリューム探索に必要なニューラルネットワーク機能
• Authors: Haill An, Suhyeon Kim, Donghyuk Choo, Younhyun Jung,
• Abstract要約: 我々は,INRの役割を容積圧縮を超えて拡張するニュートラルボリューム探索手法であるNeuVolExを提案する。 画像ベース転送関数(TF)設計と視点推薦という2つの基本ボリューム探索課題についてNeuVolExを検証する。
• 参考スコア（独自算出の注目度）: 2.7715640306172165
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Direct volume rendering (DVR) aims to help users identify and examine regions of interest (ROIs) within volumetric data, and feature representations that support effective ROI classification and clustering play a fundamental role in volume exploration. Existing approaches typically rely on either explicit local feature representations or implicit convolutional feature representations learned from raw volumes. However, explicit local feature representations are limited in capturing broader geometric patterns and spatial correlations, while implicit convolutional feature representations do not necessarily ensure robust performance in practice, where user supervision is typically limited. Meanwhile, implicit neural representations (INRs) have recently shown strong promise in DVR for volume compression, owing to their ability to compactly parameterize continuous volumetric fields. In this work, we propose NeuVolEx, a neural volume exploration approach that extends the role of INRs beyond volume compression. Unlike prior compression methods that focus on INR outputs, NeuVolEx leverages feature representations learned during INR training as a robust basis for volume exploration. To better adapt these feature representations to exploration tasks, we augment a base INR with a structural encoder and a multi-task learning scheme that improve spatial coherence for ROI characterization. We validate NeuVolEx on two fundamental volume exploration tasks: image-based transfer function (TF) design and viewpoint recommendation. NeuVolEx enables accurate ROI classification under sparse user supervision for image-based TF design and supports unsupervised clustering to identify compact complementary viewpoints that reveal different ROI clusters. Experiments on diverse volume datasets with varying modalities and ROI complexities demonstrate NeuVolEx improves both effectiveness and usability over prior methods
• Abstract（参考訳）: 直接ボリュームレンダリング(DVR)は、ユーザがボリュームデータ内の関心領域(ROI)を特定し、調査するのを助けることを目的としており、有効なROI分類とクラスタリングをサポートする特徴表現がボリューム探索において基本的な役割を果たす。 既存のアプローチは、通常、明示的な局所的特徴表現か、生のボリュームから学んだ暗黙的な畳み込み的特徴表現のいずれかに依存している。 しかし、明示的な局所的特徴表現は、より広い幾何学的パターンや空間的相関を捉えるのに限られる一方、暗黙的な畳み込み的特徴表現は、通常、ユーザーの監督が制限されるような、現実的な堅牢な性能を保証するとは限らない。 一方、暗黙的神経表現(INR)は、連続した体積場をコンパクトにパラメータ化する能力のため、近年DVRにおいて容積圧縮に対する強い期待を示している。 本研究では,INRの役割を容積圧縮を超えて拡張するニュートラルボリューム探索手法であるNeuVolExを提案する。 INR出力にフォーカスする従来の圧縮手法とは異なり、NeuVolExはINRトレーニング中に学んだ特徴表現をボリューム探索の堅牢な基盤として利用する。 本研究では,これらの特徴表現を探索作業に適応させるために,構造エンコーダとマルチタスク学習方式でベースINRを拡張し,ROI特性の空間コヒーレンスを向上させる。 画像ベース転送関数(TF)設計と視点推薦という2つの基本ボリューム探索課題についてNeuVolExを検証する。 NeuVolExは、イメージベースTF設計のスパースユーザー監視の下で正確なROI分類を可能にし、教師なしクラスタリングをサポートし、異なるROIクラスタを示すコンパクトな補完的な視点を識別する。 様々なモダリティとROIの複雑さを持つ多様なボリュームデータセットの実験は、NeuVolExが従来の方法よりも有効性とユーザビリティを向上することを示した

関連論文リスト

• Where Do We Stand with Implicit Neural Representations? A Technical and Performance Survey [16.89460694470542]
  Inlicit Neural Representation (INR) は知識表現のパラダイムとして登場した。 INRは、データを連続的な暗黙の関数としてモデル化するために多層パーセプトロン(MLP)を利用する。 この調査では、アクティベーション機能、位置エンコーディング、統合戦略、ネットワーク構造という4つの重要な領域に分類する明確な分類法を紹介した。
  論文  参考訳（メタデータ） (2024-11-06T06:14:24Z)
• Single image super-resolution based on trainable feature matching attention network [0.0]
  畳み込みニューラルネットワーク(CNN)は画像超解法(SR)に広く利用されている トレーニング可能な特徴マッチング(TFM)を導入し、CNNに明示的な特徴学習を導入し、その表現能力を増強する。 また,非局所演算の計算要求を軽減するため,SRNL (Same-size-divided Region-level Non-Local) という変種も提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:31:54Z)
• Rotated Multi-Scale Interaction Network for Referring Remote Sensing Image Segmentation [63.15257949821558]
  Referring Remote Sensing Image (RRSIS)は、コンピュータビジョンと自然言語処理を組み合わせた新しい課題である。 従来の参照画像(RIS)アプローチは、空中画像に見られる複雑な空間スケールと向きによって妨げられている。 本稿ではRMSIN(Rotated Multi-Scale Interaction Network)を紹介する。
  論文  参考訳（メタデータ） (2023-12-19T08:14:14Z)
• CiaoSR: Continuous Implicit Attention-in-Attention Network for Arbitrary-Scale Image Super-Resolution [158.2282163651066]
  本稿ではCiaoSRと呼ばれる連続的な暗黙の注意-注意ネットワークを提案する。 我々は、周辺地域の特徴のアンサンブル重みを学習するために、暗黙の注意ネットワークを明示的に設計する。 我々は、この暗黙の注意ネットワークにスケールアウェアの注意を埋め込んで、追加の非ローカル情報を活用する。
  論文  参考訳（メタデータ） (2022-12-08T15:57:46Z)
• Learning to Aggregate Multi-Scale Context for Instance Segmentation in Remote Sensing Images [28.560068780733342]
  特徴抽出のプロセスを改善するために,新しいコンテキスト集約ネットワーク(CATNet)を提案する。 提案モデルは,高密度特徴ピラミッドネットワーク(DenseFPN),空間コンテキストピラミッド(SCP),階層的関心抽出器(HRoIE)の3つの軽量プラグアンドプレイモジュールを利用する。
  論文  参考訳（メタデータ） (2021-11-22T08:55:25Z)
• Global Context-Aware Progressive Aggregation Network for Salient Object Detection [117.943116761278]
  我々は,低レベルな外観特徴,高レベルな意味特徴,グローバルな文脈特徴を統合化するための新しいネットワークGCPANetを提案する。 提案手法は, 定量的かつ定性的に, 最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-03-02T04:26:10Z)
• Weakly Supervised Attention Pyramid Convolutional Neural Network for Fine-Grained Visual Classification [71.96618723152487]
  注意ピラミッド畳み込みニューラルネットワーク(AP-CNN)について紹介する。 AP-CNNは高レベルのセマンティックと低レベルの詳細な特徴表現の両方を学ぶ。 追加のバウンディングボックス/パートアノテーションを必要とせずに、エンドツーエンドでトレーニングすることができる。
  論文  参考訳（メタデータ） (2020-02-09T12:33:23Z)

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。