論文の概要: Rethinking Amortized Neural Representations for High-Resolution Terrain Elevation Data
- arxiv url: http://arxiv.org/abs/2606.00404v1
- Date: Fri, 29 May 2026 22:44:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-02 21:34:28.387931
- Title: Rethinking Amortized Neural Representations for High-Resolution Terrain Elevation Data
- Title（参考訳）: 高解像度地形標高データに対する補正型ニューラル表現の再考
- Abstract要約: 入射神経表現(INR)は、連続的な座標-値関数として信号をモデル化する。
地形標高データでは、解析微分、任意の分解能デコード、下層の高原の滑らかな表面モデルをサポートする。
記憶されたニューラル表現は、共有ネットワークでこのコストを削減します。
新しいタイルをコンパクトなタイル単位のペイロードにマッピングし、共有デコーダがハイトフィールドを再構成する。
- 参考スコア（独自算出の注目度）: 10.658180726482119
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Implicit neural representations (INRs) model a signal as a continuous coordinate-to-value function. For terrain elevation data, this supports analytic derivatives, arbitrary-resolution decoding, and a smooth surface model of the underlying heightfield. However, fitting and storing a separate INR for every tile does not scale to large terrain datasets. Amortized neural representations reduce this cost with a shared network: a new tile is mapped to a compact per-tile payload, and a shared decoder reconstructs the heightfield from it. Most such methods are hypernetworks that predict the payload in a single forward pass, while others recover it through a short per-tile optimization. These methods were developed primarily for natural images, and their suitability for terrain heightfields remains unclear. We introduce a controlled benchmark on a 1 m/pixel terrain dataset and evaluate three representative methods under a unified protocol. Observing a clear cross-domain gap, we propose HUVR+SIREN, a hypernetwork that adapts the strongest benchmarked method (HUVR) by replacing its coordinate decoder with a smooth, analytically differentiable one. It attains the best height and derivative fidelity on the benchmark with no additional per-tile storage and lower decode cost, and tolerates aggressive post-training quantization with negligible quality loss, giving a compact terrain neural format. Ablations and diagnostics further identify which design choices transfer to terrain and show that the per-tile bottleneck is already near its useful limit, leaving the remaining gap in the shared hypernetwork's architectural design.
- Abstract（参考訳）: 入射神経表現(INR)は、連続的な座標-値関数として信号をモデル化する。
地形標高データに対しては、解析微分、任意の分解能デコード、下層の高原の滑らかな表面モデルをサポートする。
しかし、各タイルに個別のINRを取り付けて保存することは、大規模な地形データセットにスケールしない。
新しいタイルがコンパクトなタイル単位のペイロードにマッピングされ、共有デコーダがハイフィールドを再構築する。
このような手法のほとんどは、1つの前方通過でペイロードを予測するハイパーネットワークであり、他の手法は短いタイルごとの最適化を通じてそれを回復する。
これらの手法は主に自然画像のために開発され、地形高原への適合性は未定である。
1m/ピクセルの地形データセットに制御されたベンチマークを導入し、3つの代表的な手法を統一されたプロトコルで評価する。
HUVR+SIRENは,座標デコーダをスムーズで解析的に微分可能なものに置き換えることで,最強ベンチマーク法(HUVR)に適応するハイパーネットワークである。
これは、タイル単位のストレージを追加せず、デコードコストも低く、ベンチマーク上で最高の高さとデリバティブの忠実さを達成し、学習後の積極的な量子化を無視できる品質損失で許容し、コンパクトな地形ニューラルフォーマットを提供する。
アブレーションと診断は、どの設計選択が地形に移行するかをさらに特定し、タイルごとのボトルネックが既に有用な限界に近づいていることを示し、共有ハイパーネットワークのアーキテクチャ設計における残りのギャップを残している。
関連論文リスト
- Efficient Hybrid CNN-GNN Architecture for Monocular Depth Estimation [0.0]
畳み込みエンコーダ・デコーダフレームワークにグラフニューラルネットワーク(GNN)を統合する単眼深度推定アーキテクチャであるGraphDepthを提案する。
我々のアプローチは、効率的なGraphSAGEレイヤをResNet-101 U-Netバックボーンの複数スケールに埋め込む。
NYU Depth V2、WHU Aerial、ETH3D、Mid-Airベンチマークの実験では、最先端のトランスフォーマーの4.6%で競合精度が示されている。
論文 参考訳（メタデータ） (2026-05-11T09:21:04Z) - SAND: Spatially Adaptive Network Depth for Fast Sampling of Neural Implicit Surfaces [91.71563221166417]
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。
論文 参考訳（メタデータ） (2026-04-15T14:14:17Z) - Enhancing Floor Plan Recognition: A Hybrid Mix-Transformer and U-Net Approach for Precise Wall Segmentation [0.0]
本研究では,Mix-TransformerエンコーダとU-Netデコーダを組み合わせたハイブリッドニューラルネットワークMitUNetを紹介する。
我々の手法は精度とリコールのバランスを保ち、正確な境界回復を保証する。
CubiCasa5kデータセットと独自の地域データセットの実験は、構造的に正しいマスクを生成する上でのMitUNetの優位性を示している。
論文 参考訳（メタデータ） (2025-12-02T04:47:53Z) - Generative MIMO Beam Map Construction for Location Recovery and Beam Tracking [67.65578956523403]
本稿では,スパースチャネル状態情報(CSI)から位置ラベルを直接復元する生成フレームワークを提案する。
生のCSIを直接格納する代わりに、小型の低次元無線地図の埋め込みを学び、生成モデルを利用して高次元CSIを再構築する。
数値実験により,NLOSシナリオにおける局所化精度が30%以上向上し,20%のキャパシティゲインが得られることが示された。
論文 参考訳（メタデータ） (2025-11-21T07:25:49Z) - HYVE: Hybrid Vertex Encoder for Neural Distance Fields [9.40036617308303]
本稿では,1つの前方パスにおける3次元形状の正確な符号化に適したニューラルネットワークアーキテクチャを提案する。
我々のネットワークは、非ゼロ距離値や形状占有の事前知識を明示することなく、有効な符号付き距離場を出力することができる。
論文 参考訳（メタデータ） (2023-10-10T14:07:37Z) - Small Object Detection via Coarse-to-fine Proposal Generation and
Imitation Learning [52.06176253457522]
本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。
CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
論文 参考訳（メタデータ） (2023-08-18T13:13:09Z) - DETR Doesn't Need Multi-Scale or Locality Design [69.56292005230185]
本稿では,"プレーン"特性を維持できる改良型DETR検出器を提案する。
特定の局所性制約を伴わずに、単一スケールの機能マップとグローバルなクロスアテンション計算を使用する。
マルチスケールな特徴マップと局所性制約の欠如を補うために,2つの単純な技術が平易な設計において驚くほど効果的であることを示す。
論文 参考訳（メタデータ） (2023-08-03T17:59:04Z) - 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) - Semi-Supervised Building Footprint Generation with Feature and Output
Consistency Training [17.6179873429447]
一貫性トレーニングを備えた最先端の半教師付きセマンティックセマンティクスネットワークは、この問題に対処するのに役立ちます。
ラベルなしサンプルのエンドツーエンドネットワークトレーニングにおいて,特徴と出力の整合性を統合することを提案する。
実験により, 提案手法により, より完全な構造を抽出できることが示唆された。
論文 参考訳（メタデータ） (2022-05-17T14:55:13Z) - Image Fine-grained Inpainting [89.17316318927621]
拡張畳み込みの密結合を利用してより大きく効果的な受容場を得る一段階モデルを提案する。
この効率的なジェネレータをよく訓練するために、頻繁に使用されるVGG特徴整合損失を除いて、新しい自己誘導回帰損失を設計する。
また、局所的・グローバルな分枝を持つ識別器を用いて、局所的・グローバルな内容の整合性を確保する。
論文 参考訳（メタデータ） (2020-02-07T03:45:25Z)
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。