論文の概要: Calibrated Harmonic Overlaid Implicit Neural Representations for Multi-Dimensional Data

• arxiv url: http://arxiv.org/abs/2606.26763v1
• Date: Thu, 25 Jun 2026 08:48:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.220244
• Title: Calibrated Harmonic Overlaid Implicit Neural Representations for Multi-Dimensional Data
• Title（参考訳）: 多次元データに対する校正高調波重畳暗黙的ニューラル表現
• Abstract要約: インプシット・ニューラル表現(INR)は多次元データの強力な先行候補として浮上している。 我々はCHOIR(Calibrated Harmonic Overlaid Implicit Representation)を提案する。 本手法は最先端手法よりも優れた性能を実現する。
• 参考スコア（独自算出の注目度）: 4.417873435160498
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Implicit neural representation (INR) has emerged as a powerful prior for multi-dimensional data (e.g., multispectral images and videos). However, most INR methods employing periodic activation functions (e.g., Sine) predominantly rely on function composition. This mechanism introduces optimization instability as network depth increases, thereby limiting their performance. Meanwhile, these methods fail to incorporate proper physical priors to effectively alleviate spectrum bias. To address these issues, inspired by the commonalities between deep periodic networks and generalized Fourier series, we propose a novel Calibrated Harmonic Overlaid Implicit Neural Representation (CHOIR). Specifically, we utilize Coordinated Harmonic Superposition (CHS) to replace the conventional function composition used in most INRs, thereby ensuring optimization stability when scaling network depth. Furthermore, we introduce a Perceptual Spectrum Calibration (PSC) to mitigate spectrum bias. This calibration embeds the ubiquitous power-law spectrum prior of natural images and adjusts the globally fixed spectrum towards a physically plausible log-uniform distribution. Extensive experiments on various multidimensional data recovery problems demonstrate that our method achieves superior performance over state-of-the-art approaches. Code is available at https://github.com/chorl0229/CHOIR.
• Abstract（参考訳）: Inlicit Neural representation (INR)は、多次元データ(例えば、マルチスペクトル画像やビデオ)の強力な先行候補として登場した。 しかし、周期的活性化関数(例えばSine)を用いたほとんどのINR法は、主に関数合成に依存している。 このメカニズムは、ネットワークの深さが増加するにつれて最適化の不安定性を導入し、それによって性能が制限される。 一方、これらの手法はスペクトルバイアスを効果的に緩和するために適切な物理的優先順位を組み込むことができない。 これらの問題に対処するために、深部周期ネットワークと一般化フーリエ級数との共通性に着想を得て、CHOIR(Calibrated Harmonic Overlaid Implicit Neural Representation)を提案する。 具体的には、コーディネート・ハーモニック・スーパーポジション(CHS)を用いて、ほとんどのINRで使用される従来の関数構成を置き換えることにより、ネットワーク深さのスケーリング時の最適化安定性を確保する。 さらに、スペクトルバイアスを軽減するためにPSC(Perceptual Spectrum Calibration)を導入する。 このキャリブレーションは、自然画像に先立ってユビキタスなパワーロースペクトルを埋め込み、物理的に可算な対数均一分布に向けてグローバルに固定されたスペクトルを調整する。 種々の多次元データ復元問題に対する広範囲な実験により,本手法は最先端の手法よりも優れた性能を示した。 コードはhttps://github.com/chorl0229/CHOIRで入手できる。

関連論文リスト

• FUTON: Fourier Tensor Network for Implicit Neural Representations [56.48739018255443]
  入射神経表現(INR)はシグナルを符号化する強力なツールとして現れてきたが、支配的な設計はしばしば収束が遅く、ノイズに過度に適応し、外挿が不十分である。 低ランクテンソル分解により係数がパラメータ化される一般化フーリエ級数として信号をモデル化するFUTONを導入する。
  論文  参考訳（メタデータ） (2026-02-13T19:31:44Z)
• Multi-Head Spectral-Adaptive Graph Anomaly Detection [7.788514265469946]
  グラフ異常検出は、金融詐欺やリスク管理に広く応用されている。 既存のグラフ異常検出手法は、複雑で可変な異常パターンを扱う場合、しばしば重大な課題に直面する。 マルチヘッドスペクトル適応型グラフニューラルネットワーク(MHSA-GNN)を提案する。 本手法は, 高周波異常信号の保存を効果的に行い, 既存の最先端手法を著しく上回っている。
  論文  参考訳（メタデータ） (2025-12-25T14:55:43Z)
• Spectral Super-Resolution Neural Operator with Atmospheric Radiative Transfer Prior [28.251877082351744]
  スペクトル超解像(SSR)は、マルチスペクトル観測から超スペクトル像(HSI)を再構成することを目的としている。 データ駆動方式は広く使われているが、しばしば物理的原理を見落とし、非現実的なスペクトルを生み出す。 本研究では,大気放射移動(ART)をデータ駆動方式に組み込んだ分光超解像ニューラル演算子(SSRNO)を提案する。
  論文  参考訳（メタデータ） (2025-11-22T02:58:03Z)
• Low-Rank Tensor Recovery via Variational Schatten-p Quasi-Norm and Jacobian Regularization [49.85875869048434]
  暗黙的神経表現のためのニューラルネットワークによりパラメータ化されたCPベースの低ランクテンソル関数を提案する。 本研究では、スペーサーCP分解を実現するために、冗長なランク1成分に変分Schatten-p quasi-normを導入する。 滑らか性のために、ヤコビアンとハッチンソンのトレース推定器のスペクトルノルムに基づく正規化項を提案する。
  論文  参考訳（メタデータ） (2025-06-27T11:23:10Z)
• Deep Spectral Prior [27.0616671887139]
  本稿では、周波数領域アライメント問題として画像再構成を再定義するDeep Image Prior(DIP)の新たな定式化であるDeep Spectral Prior(DSP)を紹介する。 このシフトは、画像の既知の周波数構造と畳み込みニューラルネットワークのスペクトルバイアスと整合して、スペクトルコヒーレンスに対する明示的な帰納的バイアスをもたらす。 DSPは自然に周波数一貫性多様体への再構成を計画し、解釈可能性や頑健性を高めていることを示す。
  論文  参考訳（メタデータ） (2025-05-26T12:00:37Z)
• Robustifying Fourier Features Embeddings for Implicit Neural Representations [25.725097757343367]
  Inlicit Neural Representation (INR) は、目標関数の対応する値に座標をマッピングすることで、連続関数を表現するためにニューラルネットワークを使用する。 INRは、様々な周波数を含むシーンを扱う際に、スペクトルバイアスとして知られる課題に直面している。 本稿では,多層パーセプトロン (MLP) を添加剤なしで使用することを提案する。
  論文  参考訳（メタデータ） (2025-02-08T07:43:37Z)
• FedNAR: Federated Optimization with Normalized Annealing Regularization [54.42032094044368]
  ウェイト崩壊の選択を探索し、ウェイト崩壊値が既存のFLアルゴリズムの収束に有意な影響を及ぼすことを確かめる。 我々は,既存のFLアルゴリズムにシームレスに統合可能なプラグインであるFederated Optimization with Normalized Annealing Regularization (FedNAR)を開発した。
  論文  参考訳（メタデータ） (2023-10-04T21:11:40Z)
• ESSAformer: Efficient Transformer for Hyperspectral Image Super-resolution [76.7408734079706]
  単一ハイパースペクトル像超解像(単一HSI-SR)は、低分解能観測から高分解能ハイパースペクトル像を復元することを目的としている。 本稿では,1つのHSI-SRの繰り返し精製構造を持つESSA注目組込みトランスフォーマネットワークであるESSAformerを提案する。
  論文  参考訳（メタデータ） (2023-07-26T07:45:14Z)
• Understanding the Spectral Bias of Coordinate Based MLPs Via Training Dynamics [2.9443230571766854]
  本稿では,ReLUネットワークの計算結果と勾配勾配収束速度の関連性について検討する。 次に、この定式化を用いて、低次元設定におけるスペクトルバイアスの重症度と位置符号化がこれを克服する方法について研究する。
  論文  参考訳（メタデータ） (2023-01-14T04:21:25Z)
• Momentum Diminishes the Effect of Spectral Bias in Physics-Informed Neural Networks [72.09574528342732]
  物理インフォームドニューラルネットワーク(PINN)アルゴリズムは、偏微分方程式(PDE)を含む幅広い問題を解く上で有望な結果を示している。 彼らはしばしば、スペクトルバイアスと呼ばれる現象のために、ターゲット関数が高周波の特徴を含むとき、望ましい解に収束しない。 本研究は, 運動量による勾配降下下で進化するPINNのトレーニングダイナミクスを, NTK(Neural Tangent kernel)を用いて研究するものである。
  論文  参考訳（メタデータ） (2022-06-29T19:03:10Z)
• Hyperspectral Image Super-resolution via Deep Progressive Zero-centric Residual Learning [62.52242684874278]
  空間情報とスペクトル情報の相互モダリティ分布が問題となる。 本稿では,PZRes-Netという,新しいテクスライトウェイトなディープニューラルネットワークベースのフレームワークを提案する。 本フレームワークは,高分解能かつテクテッセロ中心の残像を学習し,シーンの空間的詳細を高頻度で表現する。
  論文  参考訳（メタデータ） (2020-06-18T06:32:11Z)

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。