Fugu-MT 論文翻訳(概要): Is Haar Enough? Exploring Symlets and Coiflets for Wavelet Convolution Layers

論文の概要: Is Haar Enough? Exploring Symlets and Coiflets for Wavelet Convolution Layers

arxiv url: http://arxiv.org/abs/2608.17662v1
Date: Tue, 18 Aug 2026 11:36:26 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-19 21:40:53.318167
Title: Is Haar Enough? Exploring Symlets and Coiflets for Wavelet Convolution Layers
Title（参考訳）: 大きすぎるか? ウェーブレット畳み込み層のためのシムレットとコイフレットの探索
Abstract要約: より強い近似特性(より長いフィルタ)を持つ基底は、競合精度に必要とされる分解深度を低減できることを示す。我々はこれをF-vs.-Lトレードオフ(フィルタ長対分解レベル)として定式化し、Haar, Daubechies, Symlets, Coifletsにわたって体系的に研究する。 Coifletベースのウェーブレットの畳み込みは、Haarとより深いレベルで一致し、追加パラメータは約32%、追加パラメータは33%減少した。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Wavelet convolution layers have recently emerged as an efficient mechanism for enlarging receptive fields through multiresolution analysis, but prior work has fixed the wavelet basis to Haar or Daubechies at a chosen decomposition depth, leaving open whether a different basis can shift the underlying efficiency frontier. We identify and characterize a previously unexplored trade-off in this setting: bases with stronger approximation properties (longer filters) can reduce the decomposition depth required for competitive accuracy, yielding a net reduction in parameters and FLOPs despite higher perlevel transform cost. We formalize this as an F-vs.-L tradeoff (filter length vs. decomposition levels) and study it systematically across Haar, Daubechies, Symlets, and Coiflets under controlled architectures and budgets. On image classification (CIFAR-10, ImageNet-1K) and semantic segmentation (Cityscapes), Coiflet-based wavelet convolutions match Haar at deeper levels with approximately 32% fewer additional parameters and 33% fewer additional FLOPs, providing a concrete and actionable design choice for practitioners building wavelet-based architectures.
Abstract（参考訳）: ウェーブレット畳み込み層は、近年、多分解能解析により受容界を拡大する効率的なメカニズムとして出現しているが、先行研究では、ウェーブレット基底を選択された分解深さでハールまたはダウビーズに固定し、異なる基底が基底の効率フロンティアをシフトできるかどうかを議論している。より強い近似特性(より長いフィルタ)を持つ基底は、より高レベルな変換コストにもかかわらず、パラメータとFLOPの純減少を生じさせ、競争精度に必要とされる分解深度を減少させることができる。我々はこれをF-vsとして定式化する。 -Lトレードオフ(フィルタ長対分解レベル)とHaar、Daubechies、Symlets、Coifletsを制御アーキテクチャと予算の下で体系的に研究する。画像分類 (CIFAR-10, ImageNet-1K) とセマンティックセグメンテーション (Cityscapes) について、Coifletベースのウェーブレットの畳み込みは、より深いレベルでHaarとマッチングし、約32%のパラメータを減らし、33%のFLOPを減らした。

関連論文リスト

Variable-Width Transformers [57.07167443557886]
本稿では,$times$-shaped > former architectureを提案する。我々の設計は、パラメータフリーの残留リサイズ機構を利用して、中間層を狭めながら、より広い早期層と後期層を維持している。平均的な層幅を減らすことで、このアーキテクチャは全体のFLOPを少なくし、KVキャッシュメモリを小さくし、I/Oコストを削減できる。
論文参考訳（メタデータ） (2026-06-16T17:59:03Z)
Beyond Heuristics: Learnable Density Control for 3D Gaussian Splatting [78.96382179408054]
強化学習(RL)により最適化されたパラメータ化ポリシネットワークとして密度制御を再構築するフレームワークであるbfLeGSを紹介する。計算的トラクタビリティを維持するために、報酬計算の複雑さを$O(N2)$から$O(N)$に下げる閉形式解を導出する。 Mip-NeRF 360、Tants & Temples、Deep Blendingのデータセットの実験は、bfLeGSが最先端の手法を大幅に上回っていることを示している。
論文参考訳（メタデータ） (2026-05-01T05:04:49Z)
$D^3$-RSMDE: 40$\times$ Faster and High-Fidelity Remote Sensing Monocular Depth Estimation [72.9912717963138]
リモートセンシング画像からのリアルタイムで高忠実な単眼深度推定は、多くのアプリケーションにとって不可欠である。視覚変換器(ViT)のバックボーンを高密度な予測に使用するのは速いが、知覚品質は低いことが多い。リモートセンシング単眼深度推定のための深度詳細拡散法(D3$-RSMDE)を提案する。 D3$-RSMDEは、Learninged Perceptual Image Patch similarity (LPIPS)の知覚距離を11.85%削減する。
論文参考訳（メタデータ） (2026-03-17T10:50:36Z)
Pluggable Pruning with Contiguous Layer Distillation for Diffusion Transformers [10.251154683874033]
拡散変換器(DiT)は画像生成において例外的な性能を示したが、その大きなパラメータ数は計算コストが高い。提案するPlugable Pruning with Contiguous Layer Distillation (PPCL)は,DiTアーキテクチャ用に設計されたフレキシブルな構造化プルーニングフレームワークである。
論文参考訳（メタデータ） (2025-11-20T08:53:07Z)
WaveletGaussian: Wavelet-domain Diffusion for Sparse-view 3D Gaussian Object Reconstruction [5.93524554224854]
より効率的なスパースビュー3Dガウスオブジェクト再構成のためのフレームワークであるWaveletGaussianを提案する。我々のキーとなるアイデアは、ウェーブレット領域への拡散をシフトさせることであり、一方、高周波サブバンドは軽量ネットワークで洗練されている。 Mip-NeRF 360とOmni3Dの2つのベンチマークデータセットに対する実験は、WaveletGaussianが競合するレンダリング品質を達成したことを示している。
論文参考訳（メタデータ） (2025-09-23T14:34:10Z)
Improving Progressive Generation with Decomposable Flow Matching [50.63174319509629]
Decomposable Flow Matching (DFM)は、ビジュアルメディアのプログレッシブな生成のためのシンプルで効果的なフレームワークである。 Imagenet-1k 512pxでは、DFMはベースアーキテクチャよりも35.2%改善され、ベースラインは26.4%向上した。
論文参考訳（メタデータ） (2025-06-24T17:58:02Z)
3D Wavelet Convolutions with Extended Receptive Fields for Hyperspectral Image Classification [12.168520751389622]
ディープニューラルネットワークは、ハイパースペクトル画像分類において多くの課題に直面している。本稿ではウェーブレット変換と統合された改良型3D-DenseNetモデルWCNetを提案する。実験結果から,IN,UP,KSCデータセットにおいて優れた性能を示した。
論文参考訳（メタデータ） (2025-04-15T01:39:42Z)
Dynamic Frame Interpolation in Wavelet Domain [57.25341639095404]
ビデオフレームは、より流動的な視覚体験のためにフレームレートを上げることができる、重要な低レベルな計算ビジョンタスクである。既存の手法は、高度なモーションモデルと合成ネットワークを利用することで大きな成功を収めた。 WaveletVFIは、同様の精度を維持しながら最大40%の計算を削減できるため、他の最先端技術に対してより効率的に処理できる。
論文参考訳（メタデータ） (2023-09-07T06:41:15Z)
WaveMix: A Resource-efficient Neural Network for Image Analysis [3.4927288761640565]
WaveMixはリソース効率が高く、汎用的でスケーラブルです。ネットワークは、最先端の畳み込みニューラルネットワークと同等またはより正確な精度を達成する。 WaveMixはCityscapesのセグメンテーションのための新しいベンチマークを確立する。
論文参考訳（メタデータ） (2022-05-28T09:08:50Z)
GHM Wavelet Transform for Deep Image Super Resolution [4.522973196613816]
GHM多重レベル離散ウェーブレット変換は畳み込みニューラルネットワークを用いた画像超解像の前処理として提案される。 37個の単一レベルのウェーブレットを、Haar, Daubechies, Biorthogonal, Reverse Biorthogonal, Coiflets, Symlets wavelet familyから実験的に解析した。
論文参考訳（メタデータ） (2022-04-16T19:59:48Z)
FAMLP: A Frequency-Aware MLP-Like Architecture For Domain Generalization [73.41395947275473]
本稿では、変換周波数領域において、ドメイン固有の特徴をフィルタリングする新しい周波数認識アーキテクチャを提案する。 3つのベンチマークの実験では、最先端の手法をそれぞれ3%、4%、9%のマージンで上回った。
論文参考訳（メタデータ） (2022-03-24T07:26:29Z)

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。