Fugu-MT 論文翻訳(概要): Lossless-INR: Lossless Volumetric Implicit Neural Representations

論文の概要: Lossless-INR: Lossless Volumetric Implicit Neural Representations

arxiv url: http://arxiv.org/abs/2607.18150v1
Date: Mon, 20 Jul 2026 16:50:15 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-21 18:48:37.711449
Title: Lossless-INR: Lossless Volumetric Implicit Neural Representations
Title（参考訳）: Lossless-INR: Lossless Volumetric Implicit Neural Representation
Authors: Kaiyuan Tang, Daniel Burke, Chaoli Wang,
Abstract要約: Inlicit Neural representation (INR) 法は、連続的な座標-値マッピングを提供し、直接ボリュームレンダリングと自然に統合する。 Lossless-INRは、ビット平面分解に基づく3次元科学的ボリュームデータのためのフレームワークである。ロスレスINRはゼロビットエラー率とビットエクサクソン再構成を実現し、コンパクトな表現で忠実なレンダリングと下流分析を可能にする。
参考スコア（独自算出の注目度）: 6.618761947019336
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Implicit neural representation (INR) methods provide continuous coordinate-to-value mappings and integrate naturally with direct volume rendering, making them attractive for representing volumetric data. However, existing INR-based approaches for volumetric data are inherently lossy, and even small reconstruction errors can propagate through rendering and downstream analysis. In this work, we explore Lossless-INR, a lossless INR framework for 3D scientific volumetric data based on bit-plane decomposition. By decomposing each voxel value into binary bit-planes, we reformulate reconstruction as per-bit binary classification, so that exact recovery reduces to predicting every bit correctly. To make this optimization tractable while keeping the representation compact, we combine an octree block-partitioning strategy that adaptively subdivides complex regions with a ternary feature-grid network whose grid entries are parameterized by a ternary set of values. Experiments on diverse volumetric datasets show that this design can achieve zero bit-error rate and bit-exact reconstruction, enabling faithful rendering and downstream analysis with a compact representation. The code is available at https://github.com/TouKaienn/Lossless-INR.
Abstract（参考訳）: Inlicit Neural representation (INR) 法は、連続的な座標-値マッピングを提供し、直接ボリュームレンダリングと自然に統合することで、ボリュームデータの表現に魅力的なものとなっている。しかし、既存のINRベースのボリュームデータに対するアプローチは本質的に損なわれており、小さな再構成誤りでさえレンダリングや下流分析によって伝播する可能性がある。本研究では,ビット平面分解に基づく3次元科学的ボリュームデータのためのロスレスINRフレームワークであるロスレスINRについて検討する。各ボクセル値を二進ビット平面に分解することにより、再構成をビット単位のバイナリ分類として再構成し、正確なリカバリが各ビットを正確に予測する。表現をコンパクトに保ちながら、この最適化を実現するために、複雑な領域を適応的に分割するオクツリーブロック分割戦略と、グリッドエントリが3つの値の3次集合によってパラメータ化される3次特徴グリッドネットワークを組み合わせる。様々なボリュームデータセットの実験により、この設計はビットエラー率をゼロとし、コンパクトな表現で忠実なレンダリングと下流分析を可能にした。コードはhttps://github.com/TouKaienn/Lossless-INRで公開されている。

関連論文リスト

Efficient Compression of Structured and Unstructured Volumes via Learned 3D Gaussian Representation [10.225048129804845]
本稿では,3次元ガウスプリミティブに基づくボリュームデータ圧縮の明示的モデルを提案する。我々の明示的なモデルは、構造化ボリュームのトレーニングスピードアップを著しく向上させながら、非構造化ボリュームのすべての指標において、競争力のある再構築品質を達成する。
論文参考訳（メタデータ） (2026-07-01T16:48:46Z)
Feedback Alignment Meets Low-Rank Manifolds: A Structured Recipe for Local Learning [7.034739490820967]
バックプロパゲーション(BP)を用いたディープニューラルネットワーク(DNN)のトレーニングは、最先端の精度を実現するが、大域的なエラー伝搬と完全なパラメータ化が必要である。ダイレクトフィードバックアライメント(DFA)は、メモリ要件の低いローカルで並列化可能な更新を可能にする。低ランク多様体上で直接動作する構造化局所学習フレームワークを提案する。
論文参考訳（メタデータ） (2025-10-29T15:03:46Z)
Meta-INR: Efficient Encoding of Volumetric Data via Meta-Learning Implicit Neural Representation [4.782024723712711]
Inlicit Neural representation (INR)は、ボリュームデータを符号化するための有望なソリューションとして登場した。メタ学習アルゴリズムを用いて,データセットの部分的な観察から初期INRパラメータを学習するための事前学習戦略であるMeta-INRを提案する。我々は,Meta-INRが,様々なデータセットにまたがる類似ボリュームデータをエンコードする上で有効な,高品質な一般化可能な特徴を効果的に抽出できることを実証した。
論文参考訳（メタデータ） (2025-02-12T21:54:22Z)
Deep Loss Convexification for Learning Iterative Models [11.36644967267829]
点雲登録のための反復的最近点(ICP)のような反復的手法は、しばしば悪い局所最適性に悩まされる。我々は,各地真実の周囲に凸景観を形成する学習を提案する。
論文参考訳（メタデータ） (2024-11-16T01:13:04Z)
N-BVH: Neural ray queries with bounding volume hierarchies [51.430495562430565]
3Dコンピュータグラフィックスでは、シーンのメモリ使用量の大部分がポリゴンとテクスチャによるものである。 N-BVHは3次元の任意の光線クエリに応答するように設計されたニューラル圧縮アーキテクチャである。本手法は, 視認性, 深度, 外観特性を忠実に近似する。
論文参考訳（メタデータ） (2024-05-25T13:54:34Z)
Compression of Structured Data with Autoencoders: Provable Benefit of Nonlinearities and Depth [83.15263499262824]
勾配勾配勾配は入力のスパース構造を完全に無視する解に収束することを示す。浅層構造にデノナイジング関数を付加することにより,スパースデータの圧縮におけるガウス性能の改善方法を示す。 CIFAR-10 や MNIST などの画像データセットに対して,本研究の成果を検証した。
論文参考訳（メタデータ） (2024-02-07T16:32:29Z)
VolRecon: Volume Rendering of Signed Ray Distance Functions for Generalizable Multi-View Reconstruction [64.09702079593372]
VolRecon は Signed Ray Distance Function (SRDF) を用いた新しい一般化可能な暗黙的再構成法である DTUデータセットでは、VolReconはスパースビュー再構築においてSparseNeuSを約30%上回り、フルビュー再構築においてMVSNetと同等の精度を達成する。
論文参考訳（メタデータ） (2022-12-15T18:59:54Z)
Transformers as Meta-Learners for Implicit Neural Representations [10.673855995948736]
Inlicit Neural Representations (INRs) は近年、離散表現よりもその利点を示してきた。 InRのハイパーネットとしてTransformerを利用する定式化を提案し,INRの重みの集合を直接構築する。本稿では,3次元オブジェクトに対する2次元画像回帰とビュー合成を含む,異なるタスクや領域でINRを構築するための手法の有効性を実証する。
論文参考訳（メタデータ） (2022-08-04T17:54:38Z)
InfoNeRF: Ray Entropy Minimization for Few-Shot Neural Volume Rendering [55.70938412352287]
ニューラルな暗黙表現に基づく数ショットの新規ビュー合成のための情報理論正規化手法を提案する。提案手法は,不十分な視点で発生する潜在的な復元の不整合を最小化する。複数の標準ベンチマークにおいて,既存のニューラルビュー合成手法と比較して一貫した性能向上を実現している。
論文参考訳（メタデータ） (2021-12-31T11:56:01Z)
Deep Neural Networks are Surprisingly Reversible: A Baseline for Zero-Shot Inversion [90.65667807498086]
本稿では、内部表現のみを与えられたトレーニングモデルへの入力を復元するゼロショット直接モデル逆変換フレームワークを提案する。 ImageNetの最新の分類モデルでは、20層以上の表現から元の224x224px画像を近似的に復元できることを実証的に示す。
論文参考訳（メタデータ） (2021-07-13T18:01:43Z)
Over-and-Under Complete Convolutional RNN for MRI Reconstruction [57.95363471940937]
MR画像再構成のための最近のディープラーニングに基づく手法は、通常、汎用的なオートエンコーダアーキテクチャを利用する。 OUCR(Over-and-Under Complete Convolu?tional Recurrent Neural Network)を提案する。提案手法は, トレーニング可能なパラメータの少ない圧縮されたセンシングと, 一般的なディープラーニングに基づく手法に対して, 大幅な改善を実現する。
論文参考訳（メタデータ） (2021-06-16T15:56:34Z)

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。