論文の概要: On the Choice of Tensor Estimation for Corner Detection, Optical Flow and Denoising

• arxiv url: http://arxiv.org/abs/2608.22314v1
• Date: Sun, 23 Aug 2026 09:23:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 18:24:36.957785
• Title: On the Choice of Tensor Estimation for Corner Detection, Optical Flow and Denoising
• Title（参考訳）: 角膜検出・光流・デノイングにおけるテンソル推定の選択について
• Abstract要約: いくつかの場合において、勾配エネルギーテンソルは構造テンソルの代替として使用できることを示す。 勾配エネルギーテンソルを、角検出、光流、画像強調などの一般的な画像問題に適用する。
• 参考スコア（独自算出の注目度）: 20.68512626541674
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many image processing methods such as corner detection, optical flow and iterative enhancement make use of image tensors. Generally, these tensors are estimated using the structure tensor. In this work we show that the gradient energy tensor can be used as an alternative to the structure tensor in several cases. We apply the gradient energy tensor to common image problem applications such as corner detection, optical flow and image enhancement. Our experimental results suggest that the gradient energy tensor enables real-time tensor-based image enhancement using the graphical processing unit (GPU) and we obtain 40% increase of frame rate without loss of image quality.
• Abstract（参考訳）: コーナー検出、光フロー、反復強調などの多くの画像処理手法は、画像テンソルを利用する。 一般に、これらのテンソルは構造テンソルを用いて推定される。 この研究で、勾配エネルギーテンソルは、いくつかの場合において構造テンソルの代替として使用できることを示す。 勾配エネルギーテンソルを、角検出、光流、画像強調などの一般的な画像問題に適用する。 実験結果から、勾配エネルギーテンソルはグラフィカル処理ユニット(GPU)を用いてリアルタイムテンソルベースの画像強調を可能にすることが示唆され、画像品質を損なうことなくフレームレートの40%向上が得られる。

関連論文リスト

• Pre-Trained Low-Rank Tensor Decomposition for Multi-Dimensional Image Recovery [66.1915813483319]
  そこで本研究では,事前学習型低ランクテンソル分解フレームワークを提案する。 これは、事前訓練された大きな視覚モデルを古典的なテンソル分解フレームワークに有機的に統合する。 回復率が高く、学習可能なパラメータも少なく、炭素フットプリントも小さい。
  論文  参考訳（メタデータ） (2026-09-11T13:36:36Z)
• StoTAM: Stochastic Alternating Minimization for Tucker-Structured Tensor Sensing [7.549565266107219]
  低ランクテンソルセンシングは、信号処理と機械学習の幅広い応用において基本的な問題である。 既存のリカバリ手法は、高価なテンソルプロジェクションを持つフルテンソル変数で動作するか、あるいはまだフル段階の計算に依存している分解式を採用するかのいずれかである。 本研究では、タッカー因子化の下でコアテンソルと係数行列を直接操作する交互最小化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2026-01-20T02:18:20Z)
• Scalable CP Decomposition for Tensor Learning using GPU Tensor Cores [47.87810316745786]
  本研究では,エクサスケールテンソル分解を支援する圧縮型テンソル分解フレームワークを提案する。 ベースラインと比較すると、エクスカスケール・テンソルは8000倍のテンソルをサポートし、スピードアップは6.95倍である。 また,本手法を遺伝子解析とテンソル層ニューラルネットワークを含む実世界の2つの応用に適用する。
  論文  参考訳（メタデータ） (2023-11-22T21:04:59Z)
• Deep Dynamic Scene Deblurring from Optical Flow [53.625999196063574]
  汚れは視覚的により快適な写真を提供し、写真がより便利になる。 非均一な曖昧さを数学的にモデル化することは困難である。 我々は,難解な特徴から鮮明な画像を復元する畳み込みニューラルネットワーク(CNN)を開発した。
  論文  参考訳（メタデータ） (2023-01-18T06:37:21Z)
• Tensor Factorization via Transformed Tensor-Tensor Product for Image Alignment [3.0969191504482243]
  本研究では,観測画像が未知の領域変換によって変形する線形相関画像アライメントの問題について検討する。 3階テンソルの正面スライスとしてこれらの画像を積み重ねることで,基礎となるテンソルの低ランク性について検討する。
  論文  参考訳（メタデータ） (2022-12-12T05:52:26Z)
• Low-Rank Tensor Function Representation for Multi-Dimensional Data Recovery [52.21846313876592]
  低ランクテンソル関数表現(LRTFR)は、無限解像度でメッシュグリッドを超えてデータを連続的に表現することができる。 テンソル関数に対する2つの基本的な概念、すなわちテンソル関数ランクとローランクテンソル関数分解を開発する。 提案手法は,最先端手法と比較して,提案手法の優越性と汎用性を裏付けるものである。
  論文  参考訳（メタデータ） (2022-12-01T04:00:38Z)
• GraDIRN: Learning Iterative Gradient Descent-based Energy Minimization for Deformable Image Registration [9.684786294246749]
  変形可能な画像登録を学習するためのGraDIRN(Gradient Descent-based Image Registration Network)を提案する。 GraDIRNは多分解能勾配降下エネルギー最小化に基づいている。 本手法は,学習可能なパラメータを少なく抑えながら,最先端の登録性能を実現することを実証する。
  論文  参考訳（メタデータ） (2021-12-07T14:48:31Z)
• Understanding Deflation Process in Over-parametrized Tensor Decomposition [17.28303004783945]
  過度にパラメータ化されたテンソル分解問題における勾配流のトレーニング力学について検討する。 経験的に、このようなトレーニングプロセスは、まず大きなコンポーネントに適合し、次に小さなコンポーネントを発見する。
  論文  参考訳（メタデータ） (2021-06-11T18:51:36Z)
• Self-Supervised Nonlinear Transform-Based Tensor Nuclear Norm for Multi-Dimensional Image Recovery [27.34643415429293]
  自己超越下で観測されたテンソルデータを用いて非線形変換を学習する多層ニューラルネットワークを提案する。 提案するネットワークは、変換テンソルの低ランク表現と、観測されたテンソルと再構成テンソルとの間のデータ適合を利用して非線形変換を構築する。
  論文  参考訳（メタデータ） (2021-05-29T14:56:51Z)
• Regularization by Denoising Sub-sampled Newton Method for Spectral CT Multi-Material Decomposition [78.37855832568569]
  スペクトルctを用いたマルチマテリアル画像再構成のためのモデルベース最大後課題の解決法を提案する。 特に,プラグイン画像復号化機能に基づく正規化最適化問題について提案する。 スペクトルct材料分解の数値的および実験的結果を示す。
  論文  参考訳（メタデータ） (2021-03-25T15:20:10Z)
• Powers of layers for image-to-image translation [60.5529622990682]
  本稿では,未ペア画像から画像への変換タスクに対処するシンプルなアーキテクチャを提案する。 固定重み付きイメージオートエンコーダアーキテクチャから始める。 各タスクに対して、潜在空間で動作している残留ブロックを学習し、ターゲット領域に到達するまで繰り返し呼び出される。
  論文  参考訳（メタデータ） (2020-08-13T09:02:17Z)
• Understanding Integrated Gradients with SmoothTaylor for Deep Neural Network Attribution [70.78655569298923]
  ディープニューラルネットワークモデルの属性方法としての統合グラディエントは、シンプルな実装性を提供する。 理解しやすさに影響を及ぼす説明のうるささに悩まされる。 SmoothGrad法は,ノイズ問題を解消し,勾配に基づく帰属法の帰属写像を円滑化するために提案される。
  論文  参考訳（メタデータ） (2020-04-22T10:43:19Z)

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。