論文の概要: Implicit Neural Representations: A Signal Processing Perspective

• arxiv url: http://arxiv.org/abs/2604.15047v1
• Date: Thu, 16 Apr 2026 14:12:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:31.939955
• Title: Implicit Neural Representations: A Signal Processing Perspective
• Title（参考訳）: 暗黙的ニューラル表現:信号処理の観点から
• Authors: Dhananjaya Jayasundara, Vishal M. Patel,
• Abstract要約: 入射神経表現(INR)は、離散的なサンプルデータから連続的な機能的表現へと、信号モデリングの根本的な変化を示す。 本稿では、信号処理の観点からのINRの進化を考察し、スペクトル挙動、サンプリング理論、マルチスケール表現を強調する。 医療・レーダ画像の逆問題,圧縮,3次元シーン表現など,幅広い応用分野におけるINRの有用性を強調した。
• 参考スコア（独自算出の注目度）: 54.57279006229212
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Implicit neural representations (INRs) mark a fundamental shift in signal modeling, moving from discrete sampled data to continuous functional representations. By parameterizing signals as neural networks, INRs provide a unified framework for representing images, audio, video, 3D geometry, and beyond as continuous functions of their coordinates. This functional viewpoint enables signal operations such as differentiation to be carried out analytically through automatic differentiation rather than through discrete approximations. In this article, we examine the evolution of INRs from a signal processing perspective, emphasizing spectral behavior, sampling theory, and multiscale representation. We trace the progression from standard coordinate based networks, which exhibit a spectral bias toward low frequency components, to more advanced designs that reshape the approximation space through specialized activations, including periodic, localized, and adaptive functions. We also discuss structured representations, such as hierarchical decompositions and hash grid encodings, that improve spatial adaptivity and computational efficiency. We further highlight the utility of INRs across a broad range of applications, including inverse problems in medical and radar imaging, compression, and 3D scene representation. By interpreting INRs as learned signal models whose approximation spaces adapt to the underlying data, this article clarifies the field's core conceptual developments and outlines open challenges in theoretical stability, weight space interpretability, and large scale generalization.
• Abstract（参考訳）: 入射神経表現(INR)は、離散的なサンプルデータから連続的な機能的表現へと、信号モデリングの根本的な変化を示す。 信号をニューラルネットワークとしてパラメータ化することにより、INRは、画像、オーディオ、ビデオ、三次元幾何学などを表現するための統一されたフレームワークを、座標の連続関数として提供する。 この機能的視点により、離散近似よりも自動微分により、微分などの信号操作を解析的に行うことができる。 本稿では,信号処理の観点からのINRの進化を考察し,スペクトル挙動,サンプリング理論,マルチスケール表現に着目した。 我々は、低周波成分に対するスペクトルバイアスを示す標準座標ネットワークから、周期的、局所的、適応的関数を含む特別なアクティベーションを通して近似空間を再構成するより先進的な設計へと進展した。 また、空間適応性と計算効率を向上させる階層分解やハッシュグリッド符号化などの構造化表現についても論じる。 医用およびレーダ画像の逆問題,圧縮,3次元シーン表現など,幅広い応用におけるINRの有用性をさらに強調する。 近似空間が基礎となるデータに適応する学習信号モデルとしてINRを解釈することにより、この分野の中核的な概念展開を明らかにし、理論安定性、重み空間解釈可能性、大規模一般化におけるオープンな課題を概説する。

関連論文リスト

• GRC-Net: Gram Residual Co-attention Net for epilepsy prediction [0.0]
  我々は,信号を3次元表現に変換するためにGram Matrix法を採用した。 脳波データ中の局所的信号と大域的信号の非均衡を観測した。 BONNデータセットの実験では、最も難しい5クラス分類タスクにおいて、GRC-Netは93.66%の精度を達成した。
  論文  参考訳（メタデータ） (2025-12-13T10:29:28Z)
• Scaling Implicit Fields via Hypernetwork-Driven Multiscale Coordinate Transformations [0.0]
  Inlicit Neural Representations (INR)は、画像、3次元形状、符号付き距離場、放射場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。 この研究は、ハイパーネットワークを用いて信号適応座標変換を学習することにより、表現ボトルネックを破る新しいINRのクラスであるHyper-Coordinate Implicit Neural Representations (HC-INR)を導入している。
  論文  参考訳（メタデータ） (2025-11-23T10:27:04Z)
• SlepNet: Spectral Subgraph Representation Learning for Neural Dynamics [5.424636897130673]
  グラフニューラルネットワークは、グラフ構造化データの機械学習に有用である。 それらはグラフ上のパターン信号の表現に限られている。 SlepNetはグラフ調和ではなくSlepianベースを使用する新しいGCNである。
  論文  参考訳（メタデータ） (2025-06-19T21:03:52Z)
• Exploring Kernel Transformations for Implicit Neural Representations [57.2225355625268]
  入射神経表現(INR)は、ニューラルネットワークを利用して、対応する属性に座標をマッピングすることで、信号を表現する。 この研究は、モデル自体を変更せずに入出力のカーネル変換の効果を探求する先駆者となった。 我々の発見の副産物は、スケールとシフトを組み合わせて、INRを無視できないオーバーヘッドで著しく向上させる、単純で効果的な方法である。
  論文  参考訳（メタデータ） (2025-04-07T04:43:50Z)
• Geometric Neural Process Fields [58.77241763774756]
  幾何学的ニューラル・プロセス・フィールド(Geometric Neural Process Fields, G-NPF)は、ニューラル・ラディアンス・フィールドの確率的フレームワークである。 これらの基盤の上に構築された階層型潜在変数モデルにより、G-NPFは複数の空間レベルにまたがる構造情報を統合できる。 3次元シーンと2次元画像と1次元信号レグレッションの新規ビュー合成実験により,本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2025-02-04T14:17:18Z)
• Implicit Neural Representations and the Algebra of Complex Wavelets [36.311212480600794]
  Inlicit Neural representations (INRs) はユークリッド領域におけるシグナルの表現法として有用である。 ユークリッド空間上の多層パーセプトロン(MLP)として画像をパラメータ化することにより、INRは通常の離散表現では明らかでない信号の結合やスペクトルの特徴を効果的に表現する。
  論文  参考訳（メタデータ） (2023-10-01T02:01:28Z)
• Modality-Agnostic Variational Compression of Implicit Neural Representations [96.35492043867104]
  Inlicit Neural Representation (INR) としてパラメータ化されたデータの関数的ビューに基づくモーダリティ非依存型ニューラル圧縮アルゴリズムを提案する。 潜時符号化と疎性の間のギャップを埋めて、ソフトゲーティング機構に非直線的にマッピングされたコンパクト潜時表現を得る。 このような潜在表現のデータセットを得た後、ニューラル圧縮を用いてモーダリティ非依存空間におけるレート/歪みトレードオフを直接最適化する。
  論文  参考訳（メタデータ） (2023-01-23T15:22:42Z)
• Signal Processing for Implicit Neural Representations [80.38097216996164]
  Inlicit Neural Representation (INR)は、マルチ層パーセプトロンを介して連続したマルチメディアデータを符号化する。 既存の作業は、その離散化されたインスタンスの処理を通じて、そのような連続的な表現を操作する。 本稿では,INSP-Netと呼ばれる暗黙的ニューラル信号処理ネットワークを提案する。
  論文  参考訳（メタデータ） (2022-10-17T06:29:07Z)
• Meta-Learning Sparse Implicit Neural Representations [69.15490627853629]
  入射神経表現は、一般的な信号を表す新しい道である。 現在のアプローチは、多数の信号やデータセットに対してスケールすることが難しい。 メタ学習型スパースニューラル表現は,高密度メタ学習モデルよりもはるかに少ない損失が得られることを示す。
  論文  参考訳（メタデータ） (2021-10-27T18:02:53Z)
• Learned Initializations for Optimizing Coordinate-Based Neural Representations [47.408295381897815]
  コーディネートベースのニューラル表現は、離散的な配列ベースの表現の代替として大きな可能性を示してきた。 完全連結ネットワークの初期重みパラメータを学習するために,標準的なメタ学習アルゴリズムを適用することを提案する。 本研究では,2次元画像の表現,CTスキャンの再構成,2次元画像観察から3次元形状やシーンを復元するなど,様々なタスクにまたがってこれらのメリットを探求する。
  論文  参考訳（メタデータ） (2020-12-03T18:59:52Z)

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。