論文の概要: Observation-Conditioned Latent Energy Priors for Sparse Implicit Neural Shape Completion

• arxiv url: http://arxiv.org/abs/2609.03694v1
• Date: Thu, 03 Sep 2026 11:30:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:39.041431
• Title: Observation-Conditioned Latent Energy Priors for Sparse Implicit Neural Shape Completion
• Title（参考訳）: スパースインプシデントニューラル形状完了のための観測条件付き潜時エネルギー
• Abstract要約: Inlicit Neural representations (INR) は、共有座標デコーダとインスタンスごとの潜伏符号で連続した3次元形状をモデル化することができる。 凍結したINRデコーダに先立って, ホット後の観測条件付き潜時エネルギーを提案する。
• 参考スコア（独自算出の注目度）: 0.23326235417785554
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Implicit neural representations (INRs) can model continuous 3D shapes with a shared coordinate decoder and per-instance latent codes. At test time, autodecoder-style models commonly freeze the decoder and optimize a new latent code from sparse off-grid SDF samples. When these samples underconstrain inference, the latent can drift toward regions that fit the observations but decode implausible unobserved geometry. We propose a post-hoc observation-conditioned latent energy prior for frozen INR decoders. The energy scores standardized latents conditioned on a permutation-invariant encoding of the sparse observation set and is used as a residual expert alongside an L2 latent prior selected on validation data. We evaluate on a controlled cell-nucleus SDF dataset and a public MedShapeNet-derived SDF completion dataset. The proposed L2 objective augmented with conditional energy improves consistently over a validation-selected L2 baseline in the sparsest cell-nucleus regimes and, on MedShapeNet, outperforms both L2 and a six-component GMM latent-density prior across all reported readouts. A shuffled-context ablation is consistently weaker than matched context, supporting an observation-specific contribution. These results suggest that lightweight conditional energies can make pretrained INR decoders more observation-aware without retraining.
• Abstract（参考訳）: Inlicit Neural representations (INR) は、共有座標デコーダとインスタンスごとの潜伏符号で連続した3次元形状をモデル化することができる。 テスト時、オートデコーダスタイルのモデルは一般的にデコーダを凍結し、スパースオフグリッドのSDFサンプルから新しい潜在コードを最適化する。 これらのサンプルが制約推論を受けると、潜伏者は観測に適合する領域に向かって漂流するが、観測不可能な未観測の幾何学を復号する。 凍結したINRデコーダに先立って, ホット後の観測条件付き潜時エネルギーを提案する。 エネルギースコアは、スパース観測セットの置換不変符号化に条件付けされた標準化された潜伏剤を基準とし、検証データに予め選択されたL2潜伏剤と共に残留専門家として使用する。 制御セル核SDFデータセットと公開MedShapeNet由来SDF補完データセットについて検討した。 MedShapeNetでは,L2と6成分のGMM潜伏密度の両方を,すべての報告された読み出しに先立って,検証選択したL2ベースラインよりも連続的に向上する。 シャッフルコンテキストアブレーションは、一致したコンテキストよりも一貫して弱く、観察特異的なコントリビューションをサポートする。 これらの結果から、軽量な条件エネルギーにより、事前学習したINRデコーダは、再学習することなく、より観察可能なものにすることができることが示唆された。

関連論文リスト

• LLMODE: Aligning ODEs with LLMs via Gated Token Injection for Irregular Spatio-Temporal Forecasting [27.848815822218366]
  大規模言語モデル(LLM)は不規則な時間的予測を約束しているが、既存のアプローチは定期的にサンプリングされたトークンシーケンスに依存することが多い。 凍結したバックボーンを用いた表現時間予測のためのトークン効率のよいフレームワーク LLMODE を提案する。
  論文  参考訳（メタデータ） (2026-08-30T08:02:20Z)
• Learn from your own latents and not from tokens: A sample-complexity theory [53.5821824211418]
  本研究では,関連するビューやマスキング領域の潜在表現を予測するために訓練されたネットワークについて検討する。 潜在予測は、対数的要因まで、多くのサンプルを$L$で表すことでこれを達成できることを示す。 これは、H-JEPAのような明示的な積み重ねがほとんど冗長であることを示している。
  論文  参考訳（メタデータ） (2026-05-26T22:16:42Z)
• SWAN: Self-supervised Wavelet Neural Network for Hyperspectral Image Unmixing [0.2624902795082451]
  本稿では,3段階の自己教師型ウェーブレットニューラルネットワークSWANについて紹介する。 この考え方は、自己教師付き学習パラダイムを用いて得られた不変かつ共変な特徴から潜在対称性を利用する。 信号対雑音比の異なる2つのベンチマーク合成データセットと3つの実ベンチマークハイパースペクトルデータセットで実験を行った。
  論文  参考訳（メタデータ） (2025-10-26T10:05:48Z)
• D$^2$GS: Depth-and-Density Guided Gaussian Splatting for Stable and Accurate Sparse-View Reconstruction [73.61056394880733]
  3D Gaussian Splatting (3DGS)は、3D表現を明示したリアルタイムかつ高忠実なノベルビュー合成(NVS)を可能にする。 疎視条件下では,カメラ近傍のガウス密度が過大な地域での過度適合と,ガウス範囲が不十分な遠隔地での過度適合の2つの重要な障害モードを同定する。 本稿では,奥行き案内型ドロップアウト戦略と距離認識型フィデリティ拡張モジュールという,2つの主要なコンポーネントからなる統合フレームワークD$2$GSを提案する。
  論文  参考訳（メタデータ） (2025-10-09T17:59:49Z)
• Complexity Matters: Rethinking the Latent Space for Generative Modeling [65.64763873078114]
  生成的モデリングにおいて、多くの成功したアプローチは、例えば安定拡散のような低次元の潜在空間を利用する。 本研究では, モデル複雑性の観点から潜在空間を再考することにより, 未探索の話題に光を当てることを目的としている。
  論文  参考訳（メタデータ） (2023-07-17T07:12:29Z)
• GFlowNet-EM for learning compositional latent variable models [115.96660869630227]
  ラテントの後方のモデリングにおける重要なトレードオフは、表現性とトラクタブルな最適化の間にある。 非正規化密度からサンプリングするアルゴリズムであるGFlowNetsを提案する。 GFlowNetsをトレーニングして、後部から潜伏者へのサンプルをトレーニングすることにより、それらの強度をアモータライズされた変分アルゴリズムとして活用する。
  論文  参考訳（メタデータ） (2023-02-13T18:24:21Z)
• Improved Training of Sparse Coding Variational Autoencoder via Weight Normalization [0.0]
  我々は最近提案されたsparse coding variational autoencoder (svae) に着目した。 単位ノルムへのフィルタの投影がアクティブフィルタの数を劇的に増加させることを示す。 本結果は,データから疎表現を学習する上での重み正規化の重要性を強調した。
  論文  参考訳（メタデータ） (2021-01-23T08:07:20Z)
• Uncertainty Inspired RGB-D Saliency Detection [70.50583438784571]
  本稿では,データラベリングプロセスから学習することで,RGB-D値検出の不確実性を利用した最初のフレームワークを提案する。 そこで本研究では,確率的RGB-Dサリエンシ検出を実現するために,サリエンシデータラベリングプロセスにインスパイアされた生成アーキテクチャを提案する。 6つの挑戦的RGB-Dベンチマークデータセットの結果から,サリエンシマップの分布を学習する際のアプローチの優れた性能が示された。
  論文  参考訳（メタデータ） (2020-09-07T13:01:45Z)
• Your GAN is Secretly an Energy-based Model and You Should use Discriminator Driven Latent Sampling [106.68533003806276]
  本研究では,潜時空間におけるサンプリングは,潜時空間の前対数密度と判別器出力スコアの和によって誘導されるエネルギーベースモデルに従って,潜時空間におけるサンプリングを行うことによって達成できることを示す。 判別器駆動潜時サンプリング(DDLS)は,高次元画素空間で動作する従来の手法と比較して,高効率であることを示す。
  論文  参考訳（メタデータ） (2020-03-12T23:33:50Z)

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。