Fugu-MT 論文翻訳(概要): Layerwise Tunable Lifting Scheme for the Convolutional Neural Network

論文の概要: Layerwise Tunable Lifting Scheme for the Convolutional Neural Network

arxiv url: http://arxiv.org/abs/2609.09827v1
Date: Wed, 09 Sep 2026 07:31:52 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-10 19:44:08.933164
Title: Layerwise Tunable Lifting Scheme for the Convolutional Neural Network
Title（参考訳）: 畳み込みニューラルネットワークのための層状チューナブルリフティング方式
Abstract要約: この研究は、生物直交ウェーブレットフィルタバンクのための調整可能なリフトスキームのファミリーを導入する。本稿では,低域整合性(LS-LayLatt-LP),高域整合性(LS-LayLatt-HP),低域整合性(低域整合性)と高域整合性(高域整合性)の3手法を提案する。
参考スコア（独自算出の注目度）: 2.4156814092533963
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This work introduces a family of tunable lifting schemes for biorthogonal wavelet filter banks. We propose three lifting strategies: low-pass tuning (LS-LayLatt-LP), high-pass tuning (LS-LayLatt-HP), and a sequential lifting scheme that jointly adapts low- and high-frequency branches (LS-LayLatt-Sequential). All proposed designs are formulated using a lattice-based lifting structure, which guarantees invertibility and stability for arbitrary parameter values within the lifting functions. We evaluated the proposed methods by integrating them into a ResNet-18 backbone for image classification on the Describable Textures Dataset (DTD), as well as for anomaly detection on hazelnut images from the MVTec-AD dataset and private KRC102S dataset. Experimental results demonstrate consistent performance improvements across all evaluated tasks.
Abstract（参考訳）: この研究は、生物直交ウェーブレットフィルタバンクのための調整可能なリフトスキームのファミリーを導入する。本稿では,ローパスチューニング(LS-LayLatt-LP),ハイパスチューニング(LS-LayLatt-HP),低周波分岐(LS-LayLatt-Sequential)を併用するシーケンシャルリフト方式を提案する。任意のパラメータ値に対する可逆性と安定性を保証する格子型昇降構造を用いて, 提案した全ての設計が定式化されている。提案手法を,Describable Textures Dataset(DTD)の画像分類用ResNet-18バックボーンに統合し,MVTec-ADデータセットとプライベートKRC102SデータセットからのHazelnut画像の異常検出を行う。実験結果は、すべての評価タスクで一貫したパフォーマンス改善を示す。

関連論文リスト

AdaptSplat: Adapting Vision Foundation Models for Feed-Forward 3D Gaussian Splatting [10.259254902492978]
本研究は, フィードフォワード型3次元ガウススプラッティングのための簡易かつ軽量なアダプタ設計について検討する(3DGS) 我々は、強力な視覚基盤モデルバックボーンの浅い特徴から、方向対応の高周波構造先行情報を抽出する周波数保存アダプタを設計する。実験により、AdaptSplatは、複数の標準ベンチマーク上で、最先端のフィードフォワード再構築性能を達成することが示された。
論文参考訳（メタデータ） (2026-05-11T09:14:05Z)
Frequency-Enhanced Dual-Subspace Networks for Few-Shot Fine-Grained Image Classification [6.738210148449625]
微粒化の少ない画像分類は,注釈付きサンプルの限られた数だけを用いて,視覚的類似度の高いサブカテゴリを認識することを目的としている。既存のメトリック学習ベースの手法は、通常、空間的領域の特徴のみに依存する。本稿では、周波数拡張デュアルサブスペースネットワーク(FEDSNet)を提案する。
論文参考訳（メタデータ） (2026-04-16T12:54:29Z)
GloSplat: Joint Pose-Appearance Optimization for Faster and More Accurate 3D Reconstruction [35.30036388020098]
本稿では,GloSplatについて述べる。GloSplatは3次元ガウス平滑化訓練において,アンフィジョイントなポーズ-外観最適化を行うフレームワークである。従来の共同最適化手法とは異なり、GloSplatは訓練中、Emphexplicit SfM機能トラックを第一級エンティティとして保存する。実験により、GloSplat-FはCOLMAPフリーメソッドの最先端を実現し、GloSplat-AはCOLMAPベースラインをすべて越えていることが示された。
論文参考訳（メタデータ） (2026-03-05T06:02:50Z)
HeroGS: Hierarchical Guidance for Robust 3D Gaussian Splatting under Sparse Views [33.41171755717418]
画像,特徴,パラメータレベルをまたいだ階層的ガイダンスを確立する統一的なフレームワークであるHeroGSを提案する。我々は,HeroGSが高忠実度再構築を実現し,スパースビュー条件下での最先端のベースラインを一貫して超えることを示す。
論文参考訳（メタデータ） (2026-03-01T13:35:49Z)
Depth Completion as Parameter-Efficient Test-Time Adaptation [66.72360181325877]
CAPAはパラメータ効率のよいテスト時間最適化フレームワークであり、深度補完のために事前訓練された3D基礎モデル(FM)を適用する。ビデオの場合、CAPAはシーケンスレベルのパラメータ共有を導入し、時間的相関を利用して、堅牢性を改善し、複数フレームの一貫性を強制するために、すべてのフレームを共同で適用する。
論文参考訳（メタデータ） (2026-02-16T13:53:23Z)
One-Shot Refiner: Boosting Feed-forward Novel View Synthesis via One-Step Diffusion [57.824020826432815]
スパース画像から高忠実性ノベルビュー合成(NVS)を実現するための新しいフレームワークを提案する。 ViTバックボーンによって制限されることなく高解像度画像を処理できるデュアルドメイン詳細知覚モジュールを設計する。我々は,修復過程において高周波の詳細を保存できる特徴誘導拡散ネットワークを開発した。
論文参考訳（メタデータ） (2026-01-20T17:11:55Z)
High-resolution Photo Enhancement in Real-time: A Laplacian Pyramid Network [73.19214585791268]
本稿では,LLF-LUT++と呼ばれるピラミッドネットワークについて紹介する。具体的には,ダウンサンプリング画像のグローバル音節特性を活かした画像適応型3D LUTを利用する。 LLF-LUT++は、HDR+データセット上でPSNRが2.64dB改善されただけでなく、4K解像度の画像を1つのGPUでわずか13msで処理することで、さらに削減されている。
論文参考訳（メタデータ） (2025-10-13T16:52:32Z)
High-level Feature Guided Decoding for Semantic Segmentation [54.424062794490254]
そこで本稿では,アップサンプラーが頑健な結果を得るためのガイダンス(HFG)として,強力な事前学習高レベル機能を提案する。具体的には、バックボーンの高レベルな機能はクラストークンのトレーニングに使用され、クラストークンはクラス分類のためにアップサンプラーによって再利用される。 HFGの上限を押し上げるために、低解像度の高レベル特徴に対して効率よく効果的に操作できる文脈拡張エンコーダ(CAE)を導入する。
論文参考訳（メタデータ） (2023-03-15T14:23:07Z)
Hierarchical Spherical CNNs with Lifting-based Adaptive Wavelets for Pooling and Unpooling [101.72318949104627]
本稿では, 階層型畳み込みニューラルネットワーク(HS-CNN)の新たな枠組みを提案し, プールやアンプールのための適応球面ウェーブレットを学習する。 LiftHS-CNNは、画像レベルのタスクとピクセルレベルのタスクの両方において、より効率的な階層的特徴学習を実現する。
論文参考訳（メタデータ） (2022-05-31T07:23:42Z)
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。