論文の概要: TNFlow: Amortized Posterior Inference for Trans-Neptunian Object Surface Composition

• arxiv url: http://arxiv.org/abs/2609.04305v1
• Date: Thu, 03 Sep 2026 17:56:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:23.772363
• Title: TNFlow: Amortized Posterior Inference for Trans-Neptunian Object Surface Composition
• Title（参考訳）: TNFlow: 経海王星の物体表面組成に対する印象付き後部推論
• Abstract要約: 本稿では,トランスネプチュニアン物体の表面組成を反射スペクトルから推定するトランスフォーマーおよび正規化フローアーキテクチャTNFlowを提案する。 TNFlowは、シュクラトフ放射移動モデルによって生成された合成スペクトルに基づいて訓練され、その逆として機能する。
• 参考スコア（独自算出の注目度）: 41.99844472131922
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present TNFlow, a transformer and normalizing flow architecture for inferring the surface composition of Trans-Neptunian Objects (TNOs) from their reflectance spectra. TNFlow is trained on synthetic spectra generated by the Shkuratov radiative transfer model to act as its inverse. TNFlow takes ${\sim}$0.7s to invert one spectrum on a single CPU core, returning a multimodal posterior over simplex-valid compositions and grain sizes. On synthetic spectra, the highest-weight mode achieves a mean total-variation distance of 0.149 from ground truth on the test split, and the model generalizes well to unseen combinations of known components. Qualitative tests on real JWST spectra show blindness or bias towards some materials. We suggest this could be attributed to either simulator fidelity or the training set.
• Abstract（参考訳）: 本稿では,トランスネプチュニアン物体の表面組成を反射スペクトルから推定するトランスフォーマーおよび正規化フローアーキテクチャTNFlowを提案する。 TNFlowは、シュクラトフ放射移動モデルによって生成された合成スペクトルに基づいて訓練され、その逆として機能する。 TNFlowは、1つのCPUコア上の1つのスペクトルを反転させるのに${\sim}$0.7sを要し、単純なx-validの合成と粒径に対してマルチモーダルの後方を返す。 合成スペクトルにおいて、最大重みモードは、試験分割における基底真理から平均0.149の総偏差距離を達成し、モデルは既知の成分の見当たらない組み合わせによく一般化する。 実JWSTスペクトルの定性的試験は、いくつかの材料に対して盲目または偏見を示す。 これはシミュレータの忠実さとトレーニングセットのどちらかに起因する可能性があることを示唆する。

関連論文リスト

• An Explainable FFT-Based Spatial-Frequency Fusion Framework for Deepfake Detection [1.8549313085249324]
  近年の研究では、空間的特徴と周波数的特徴を組み合わせることで、独立して使用するよりも強い検出結果が得られることが示されている。 本稿では,Fast Fourier Transform (FFT) を用いた画像レベルの深度検出のためのマルチスケールクロスアテンションフレームワーク MSCA-FFT を提案する。
  論文  参考訳（メタデータ） (2026-07-19T23:45:40Z)
• The Sim-to-Real Gap in MRS Quantification: A Systematic Deep Learning Validation for GABA [0.0]
  GABAなどの低濃度代謝物の定量化は,低信号-雑音比 (SNR) とスペクトル重なりが原因で困難である。 我々は,MEGA-PRESSスペクトルからの重なり合う複雑な低SNR信号の深層学習について検討し,検証を行った。 我々は,スライスに注目するMEGA-pressシミュレーションから,1万個のシミュレーションスペクトルに対するベイズ最適化による最良のモデルを選択する。
  論文  参考訳（メタデータ） (2026-02-23T19:16:03Z)
• 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)
• Structure-Informed Estimation for Pilot-Limited MIMO Channels via Tensor Decomposition [51.56484100374058]
  本稿では、スパース観測から低ランクテンソル完備化としてパイロットリミテッドチャネル推定を定式化する。 合成チャネル実験による最小二乗平均二乗誤差(NMSE)の最小二乗平均誤差(LS)に対する改善 DeepMIMO線トレーシングチャネルの評価では、純粋なテンソル法よりも24-44%NMSEが減少している。
  論文  参考訳（メタデータ） (2026-02-03T23:38:05Z)
• HFNO: an interpretable data-driven decomposition strategy for turbulent flows [0.0]
  乱流の低次モデリングに適した新しいFNOアーキテクチャを提案する。 提案したアーキテクチャは、波数ビンを並列に処理し、分散関係と非線形相互作用の近似を可能にする。 より複雑な力学系における提案モデルの評価を行った。
  論文  参考訳（メタデータ） (2025-11-03T12:57:19Z)
• FractalPINN-Flow: A Fractal-Inspired Network for Unsupervised Optical Flow Estimation with Total Variation Regularization [0.0]
  FractalPINN-Flowは、高密度光フロー推定のための教師なしのディープラーニングフレームワークである。 基礎的な真実を必要とせず、連続したグレースケールのフレームから直接学習する。 正確で滑らかで、エッジに保存される光学流れ場を生成する。
  論文  参考訳（メタデータ） (2025-09-10T15:05:51Z)
• Tuning the Frequencies: Robust Training for Sinusoidal Neural Networks [1.5124439914522694]
  正弦波ネットワークの容量特性を説明する理論的枠組みを導入する。 入力周波数の整数結合として表される多数の新しい周波数を,その層組成によってどのように生成するかを示す。 提案手法はTUNERと呼ばれ, 正弦波INRトレーニングの安定性と収束性を大幅に改善し, より詳細な再建を行った。
  論文  参考訳（メタデータ） (2024-07-30T18:24:46Z)
• Boundary-aware Decoupled Flow Networks for Realistic Extreme Rescaling [49.215957313126324]
  Invertible rescaling Network (IRN) やgenerative adversarial Network (GAN) などを含む最近の生成手法は、画像再スケーリングにおいて例外的な性能を示した。 しかし、IRNベースの手法は過度に滑らかな結果を生成する傾向にあり、一方、GANベースの手法は偽の細部を容易に生成する。 本稿では,現実的かつ視覚的に満足な結果を生成するために,境界対応デカップリングフローネットワーク(BDFlow)を提案する。
  論文  参考訳（メタデータ） (2024-05-05T14:05:33Z)
• Deep Fusion: Capturing Dependencies in Contrastive Learning via Transformer Projection Heads [0.0]
  Contrastive Learning (CL) は、ラベルのないデータを用いて特徴抽出モデルを訓練するための強力な方法として登場した。 近年の研究では、線形投射ヘッドポストバックボーンの導入により、モデル性能が著しく向上することが示唆されている。 コントラスト学習におけるプロジェクションヘッドの役割にトランスフォーマーの新たな応用を導入する。
  論文  参考訳（メタデータ） (2024-03-27T15:24:54Z)
• Ternary-Type Opacity and Hybrid Odometry for RGB NeRF-SLAM [58.736472371951955]
  表面を交差する光線上の点を3つの領域(前・前・後・後)に分類する3成分式不透明度モデルを導入する。 これにより、より正確な深度のレンダリングが可能となり、画像ワープ技術の性能が向上する。 TTとHOの統合アプローチは,合成および実世界のデータセット上で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-12-20T18:03:17Z)
• Simpler is better: spectral regularization and up-sampling techniques for variational autoencoders [1.2234742322758418]
  ニューラルネットワークに基づく生成モデルのスペクトル挙動のキャラクタリゼーションは未解決のままである。 最近の研究は、生成的対向ネットワークと、実画像と生成画像の高周波の相違に重点を置いている。 変分オートエンコーダ(VAE)のための単純な2次元フーリエ変換に基づくスペクトル正規化損失を提案する。
  論文  参考訳（メタデータ） (2022-01-19T11:49:57Z)
• NeRF in detail: Learning to sample for view synthesis [104.75126790300735]
  ニューラルレイディアンス場(NeRF)法は目覚ましい新しいビュー合成を実証している。 この作業では、バニラ粗大なアプローチの明確な制限に対処します -- パフォーマンスに基づいており、手元にあるタスクのエンドツーエンドをトレーニングしていません。 我々は、サンプルの提案と、そのネットワークにおける重要性を学習し、そのニューラルネットワークアーキテクチャに対する複数の代替案を検討し比較する、微分可能なモジュールを導入する。
  論文  参考訳（メタデータ） (2021-06-09T17:59:10Z)
• Conditioning Trick for Training Stable GANs [70.15099665710336]
  本稿では,GANトレーニング中の不安定性問題に対応するため,ジェネレータネットワークに正規性から逸脱する条件付け手法を提案する。 我々は、生成元をシュア分解のスペクトル領域で計算された実サンプルの正規化関数から逸脱するように強制する。
  論文  参考訳（メタデータ） (2020-10-12T16:50:22Z)

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。