論文の概要: SAND: Spatially Adaptive Network Depth for Fast Sampling of Neural Implicit Surfaces

• arxiv url: http://arxiv.org/abs/2604.25936v1
• Date: Wed, 15 Apr 2026 14:14:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 02:32:14.233188
• Title: SAND: Spatially Adaptive Network Depth for Fast Sampling of Neural Implicit Surfaces
• Title（参考訳）: SAND: ニューラルネットワーク表面の高速サンプリングのための空間適応型ネットワーク深さ
• Authors: Chuanxiang Yang, Junhui Hou, Yuan Liu, Siyu Ren, Guangshun Wei, Taku Komura, Yuanfeng Zhou, Wenping Wang,
• Abstract要約: 入射神経表現は幾何学的モデリングには強力であるが、その実用性は高い計算コストによって制限されることが多い。 本稿では,空間適応型ネットワーク深度を用いた効率的なニューラル暗黙的幾何表現フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 91.71563221166417
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Implicit neural representations are powerful for geometric modeling, but their practical use is often limited by the high computational cost of network evaluations. We observe that implicit representations require progressively lower accuracy as query points move farther from the target surface, and that even within the same iso-surface, representation difficulty varies spatially with local geometric complexity. However, conventional neural implicit models evaluate all query points with the same network depth and computational cost, ignoring this spatial variation and thereby incurring substantial computational waste. Motivated by this observation, we propose an efficient neural implicit geometry representation framework with spatially adaptive network depth (SAND). SAND leverages a volumetric network-depth map together with a tailed multi-layer perceptron (T-MLP) to model implicit representation. The volumetric depth map records, for each spatial region, the network depth required to achieve sufficient accuracy, while the T-MLP is a modified MLP designed to learn implicit functions such as signed distance functions, where an output branch, referred to as a tail, is attached to each hidden layer. This design allows network evaluation to terminate adaptively without traversing the full network and directs computational resources to geometrically important and complex regions, improving efficiency while preserving high-fidelity representations. Extensive experimental results demonstrate that our approach can significantly improve the inference-time query speed of implicit neural representations.
• Abstract（参考訳）: 入射ニューラル表現は幾何学的モデリングには強力だが、ネットワーク評価の計算コストが高いため、その実用性は制限されることが多い。 我々は,問合せ点が対象面から遠く離れるにつれて,暗黙的な表現が徐々に精度を低下させ,同じ等面内であっても,局所的な幾何学的複雑性とともに表現困難が空間的に変化することを観察した。 しかし、従来のニューラルネットワーク暗黙モデルでは、全てのクエリポイントを同じネットワーク深さと計算コストで評価し、空間的変動を無視して、実質的な計算時間の浪費を発生させる。 本研究の目的は,空間適応型ネットワーク深度(SAND)を用いた効率的なニューラル暗黙的幾何表現フレームワークを提案することである。 SANDは、暗黙の表現をモデル化するために、ボリュームネットワーク深度マップとテール付き多層パーセプトロン(T-MLP)を利用する。 ボリューム深度マップは、各空間領域毎に、十分な精度を達成するために必要なネットワーク深度を記録し、T-MLPは、各隠蔽層に、テールと呼ばれる出力分岐が付加される符号付き距離関数などの暗黙関数を学習するように設計された修正MLPである。 この設計により、ネットワーク評価は全ネットワークを横切ることなく適応的に終了し、計算資源を幾何学的に重要で複雑な領域に誘導し、高忠実度表現を保ちながら効率を向上させることができる。 広汎な実験結果から,本手法は暗黙的ニューラル表現の推測時間クエリ速度を大幅に改善できることが示された。

関連論文リスト

• Marching Neurons: Accurate Surface Extraction for Neural Implicit Shapes [14.372634421912094]
  ニューラル暗黙関数から表面を解析的に抽出する新しい手法を提案する。 我々の方法は並列に動作し、大きなニューラルアーキテクチャをナビゲートできる。 結果として得られるメッシュは、アドホックな空間的離散化なしに、ネットワークから全幾何学情報を忠実にキャプチャする。
  論文  参考訳（メタデータ） (2025-09-25T11:06:42Z)
• Exploring Geometric Deep Learning For Precipitation Nowcasting [28.44612565923532]
  そこで我々は,降水量予測のための幾何学的深層学習に基づく時間的グラフ畳み込みネットワーク(GCN)を提案する。 格子セル間の相互作用をシミュレートする隣接行列は、予測と接地真理画素値とのL1損失を最小化することにより、自動的に学習される。 トレント/アイタリー地域におけるレーダ反射率マップの配列について実験を行った。
  論文  参考訳（メタデータ） (2023-09-11T21:14:55Z)
• GraphCSPN: Geometry-Aware Depth Completion via Dynamic GCNs [49.55919802779889]
  本稿では,グラフ畳み込みに基づく空間伝搬ネットワーク(GraphCSPN)を提案する。 本研究では、幾何学的表現学習において、畳み込みニューラルネットワークとグラフニューラルネットワークを相補的に活用する。 提案手法は,数段の伝搬ステップのみを使用する場合と比較して,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2022-10-19T17:56:03Z)
• Semi-signed neural fitting for surface reconstruction from unoriented point clouds [53.379712818791894]
  より優れた符号付き距離場を再構成するためのSN-Fittingを提案する。 SSNフィッティングは半署名の監督と損失に基づく領域サンプリング戦略で構成されている。 我々は,SSN-Fittingが,異なる設定下で最先端の性能を達成することを示す実験を行う。
  論文  参考訳（メタデータ） (2022-06-14T09:40:17Z)
• DeepSSN: a deep convolutional neural network to assess spatial scene similarity [11.608756441376544]
  本稿では,深部空間シーンネットワーク(Deep Space Scene Network,DeepSSN)を提案する。 提案したDeepSSNを用いて,スケッチマップを用いた空間問合せをユーザが入力する空間シーン探索システムを開発した。 提案手法は,データ拡張後の131,300個のラベル付きシーンサンプルを含むマルチソース・コンバウンド・マップデータを用いて検証する。
  論文  参考訳（メタデータ） (2022-02-07T23:53:20Z)
• Spelunking the Deep: Guaranteed Queries for General Neural Implicit Surfaces [35.438964954948574]
  この研究は、広範囲の既存アーキテクチャに対して、一般的なニューラル暗黙関数でクエリを直接実行するための新しいアプローチを示す。 私たちのキーとなるツールは、ニューラルネットワークへのレンジ分析の適用であり、ネットワークの出力を領域を越えてバウンドするために自動演算ルールを使用します。 得られた境界を用いて、レイキャスト、交差試験、空間階層の構築、高速メッシュ抽出、最近点評価などのクエリを開発する。
  論文  参考訳（メタデータ） (2022-02-05T00:37:08Z)
• RSI-Net: Two-Stream Deep Neural Network Integrating GCN and Atrous CNN for Semantic Segmentation of High-resolution Remote Sensing Images [3.468780866037609]
  本稿では,リモートセンシング画像(RSI-Net)のセマンティックセグメンテーションのための2ストリームディープニューラルネットワークを提案する。 実験はVayhingen、Potsdam、Gaofen RSIデータセットで実施されている。 その結果,6つの最先端RSIセマンティックセグメンテーション法と比較して,総合的精度,F1スコア,カッパ係数において,RSI-Netの優れた性能を示した。
  論文  参考訳（メタデータ） (2021-09-19T15:57:20Z)
• Resolution Adaptive Networks for Efficient Inference [53.04907454606711]
  本稿では,低分解能表現が「容易」な入力を分類するのに十分である,という直感に触発された新しいレゾリューション適応ネットワーク(RANet)を提案する。 RANetでは、入力画像はまず、低解像度表現を効率的に抽出する軽量サブネットワークにルーティングされる。 ネットワーク内の高解像度パスは、"ハード"サンプルを認識する能力を維持している。
  論文  参考訳（メタデータ） (2020-03-16T16:54:36Z)
• Real-Time High-Performance Semantic Image Segmentation of Urban Street Scenes [98.65457534223539]
  都市景観のロバストなセマンティックセマンティックセグメンテーションのためのリアルタイムDCNNに基づく高速DCNN手法を提案する。 提案手法は, 51.0 fps と 39.3 fps の推論速度で, 平均 73.6% と平均 68.0% (mIoU) の精度を実現する。
  論文  参考訳（メタデータ） (2020-03-11T08:45:53Z)
• Depthwise Non-local Module for Fast Salient Object Detection Using a Single Thread [136.2224792151324]
  本稿では,高速な物体検出のための新しいディープラーニングアルゴリズムを提案する。 提案アルゴリズムは,1つのCPUスレッドと同時に,競合精度と高い推論効率を実現する。
  論文  参考訳（メタデータ） (2020-01-22T15:23:48Z)

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。