論文の概要: PEPS: Positional Encoding Projected Sampling -- Extended

• arxiv url: http://arxiv.org/abs/2604.24167v1
• Date: Mon, 27 Apr 2026 08:23:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.807435
• Title: PEPS: Positional Encoding Projected Sampling -- Extended
• Title（参考訳）: PEPS: 位置エンコードで投影されたサンプリングを拡張
• Authors: Guillaume Perez, Janarbek Matai, Takahiro Harada,
• Abstract要約: 入射神経表現(INR)は、座標を信号にマッピングするツールとして、ますます使われてきている。 多くのINR法は、グリッドや位置符号化などのエンコーダによる初期座標の高次元投影を用いている。 位置符号化は高次元埋め込みだけでなく,意味のある点の連続として利用できることを示す。
• 参考スコア（独自算出の注目度）: 1.096360026325105
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Implicit neural representations (INRs) are increasingly being used as tools to map coordinates to signals, encompassing applications from neural fields to texture compression, shape representations, and beyond. Most INR methods are based on using high-dimensional projections of the initial coordinates through encoders such as grid or positional encoding. Nevertheless, positional encoding is often insufficient and grids, as we show in this paper, require high resolution for being able to learn. In this paper, we demonstrate that positional encoding can be used not only as a high-dimensional embedding but also decomposed as a series of meaningful points. We propose the Positional Encoding Projected Sampling, where we treat the projection of the original coordinate at each frequency as a point of interest. We describe the motion of each point with respect to the frequencies and show that it follows a unique pattern. Finally, we use the unique motion of each point as a basis decomposition for doing learned positional encoding using grids. We prove, using three competitive applications; image representation, texture compression, and signed distance function; that the proposed approach outperforms the current state of the art methods, and often requires 25\% less parameters for equivalent reconstruction error or rendering.
• Abstract（参考訳）: 入射神経表現(INR)は、信号に座標をマッピングするツールとして、ニューラルネットワークからテクスチャ圧縮、形状表現などへの応用を包含している。 多くのINR法は、グリッドや位置符号化などのエンコーダによる初期座標の高次元投影を用いている。 しかしながら、位置符号化が不十分な場合が多く、この論文で示すように、学習するには高解像度のグリッドが必要である。 本稿では,位置符号化が高次元埋め込みとしてだけでなく,意味のある点の連続として分解されることを実証する。 本稿では、各周波数における元の座標の投影を興味ある点として扱う位置符号化投影サンプリングを提案する。 周波数に関して各点の動きを記述し、それが一意なパターンに従うことを示す。 最後に,各点のユニークな動きを基礎分解として,格子を用いた学習位置符号化を行う。 我々は、画像表現、テクスチャ圧縮、符号付き距離関数の3つの競合アプリケーションを用いて、提案手法が現在の最先端手法よりも優れており、等価な再構成誤差やレンダリングに25倍のパラメータを必要とすることを証明した。

関連論文リスト

• Locality-Aware Generalizable Implicit Neural Representation [54.93702310461174]
  一般化可能な暗黙的ニューラル表現(INR)は、単一の連続関数が複数のデータインスタンスを表現することを可能にする。 本稿では、変換器エンコーダと局所性を考慮したINRデコーダを組み合わせた一般化可能なINRのための新しいフレームワークを提案する。 我々のフレームワークは、従来の一般化可能なINRよりも大幅に優れており、下流タスクにおける局所性を考慮した潜在能力の有効性を検証している。
  論文  参考訳（メタデータ） (2023-10-09T11:26:58Z)
• Coordinate Quantized Neural Implicit Representations for Multi-view Reconstruction [28.910183274743872]
  量子化座標を用いたニューラル暗黙表現を導入し、最適化時のフィールドの不確かさとあいまいさを低減する。 我々は離散座標とその位置符号化を用いてボリュームレンダリングを通して暗黙の関数を学習する。 広く使用されているベンチマークによる評価は、最先端技術よりも優位性を示している。
  論文  参考訳（メタデータ） (2023-08-21T20:27:33Z)
• Coordinates Are NOT Lonely -- Codebook Prior Helps Implicit Neural 3D Representations [29.756718435405983]
  暗黙的な3D表現は、表面やシーンの再構築や新しいビュー合成において、印象的な成果を上げている。 ニューラル・レージアンス・フィールド(Neural Radiance Field、NeRF)とその変種のような既存のアプローチは、通常、密度の高い入力ビューを必要とする。 暗黙的な3次元表現のための座標モデルCoCo-INRを提案する。
  論文  参考訳（メタデータ） (2022-10-20T11:13:50Z)
• Scalable Neural Video Representations with Learnable Positional Features [73.51591757726493]
  我々は,学習可能な位置特徴(NVP)を用いて,映像を潜時符号として効果的に再生するニューラル表現の訓練方法を示す。 一般的なUVGベンチマークにおけるNVPの優位性を実証し,先行技術と比較して,NVPは2倍の速度(5分以内)で走行するだけでなく,符号化品質も34.07rightarrow$34.57(PSNR測定値で測定)に上回っている。
  論文  参考訳（メタデータ） (2022-10-13T08:15:08Z)
• PINs: Progressive Implicit Networks for Multi-Scale Neural Representations [68.73195473089324]
  周波数符号化のインクリメンタルな集合に階層構造を露出するプログレッシブな位置符号化を提案する。 本モデルでは,広帯域のシーンを正確に再構成し,プログレッシブなディテールでシーン表現を学習する。 いくつかの2次元および3次元データセットの実験では、ベースラインと比較して、再構築精度、表現能力、トレーニング速度が改善されている。
  論文  参考訳（メタデータ） (2022-02-09T20:33:37Z)
• Dynamic Neural Representational Decoders for High-Resolution Semantic Segmentation [98.05643473345474]
  動的ニューラル表現デコーダ(NRD)と呼ばれる新しいデコーダを提案する。 エンコーダの出力上の各位置がセマンティックラベルの局所的なパッチに対応するので、この研究では、これらの局所的なパッチをコンパクトなニューラルネットワークで表現する。 このニューラル表現により、意味ラベル空間に先行する滑らかさを活用することができ、デコーダをより効率的にすることができる。
  論文  参考訳（メタデータ） (2021-07-30T04:50:56Z)
• Learnable Fourier Features for Multi-DimensionalSpatial Positional Encoding [96.9752763607738]
  本稿では,学習可能なフーリエ特徴に基づく位置符号化手法を提案する。 本研究では,多次元位置符号化のための学習可能な特徴表現が既存の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-05T04:40:18Z)
• Modulated Periodic Activations for Generalizable Local Functional Representations [113.64179351957888]
  我々は,複数のインスタンスに一般化し,最先端の忠実性を実現する新しい表現を提案する。 提案手法は,画像,映像,形状の汎用的な機能表現を生成し,単一信号に最適化された先行処理よりも高い再構成品質を実現する。
  論文  参考訳（メタデータ） (2021-04-08T17:59:04Z)

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。