論文の概要: CARA: Collision-Aware Resolution Adaptation for Multiresolution Hash Encoding Based Image Fitting

• arxiv url: http://arxiv.org/abs/2609.18554v1
• Date: Wed, 16 Sep 2026 12:17:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.794466
• Title: CARA: Collision-Aware Resolution Adaptation for Multiresolution Hash Encoding Based Image Fitting
• Title（参考訳）: CARA:マルチレゾリューションハッシュエンコーディングに基づく画像フィッティングのための衝突認識分解能適応
• Abstract要約: マルチレゾリューションハッシュ符号化は、最近、固定サイズハッシュテーブルにマルチスケール機能を格納することで、高速かつ高忠実な暗黙的ニューラル表現を可能にした。 解像度の異なるレベルは、画像の周波数内容に大きな違いがあるにもかかわらず、同一のハッシュテーブル容量を受信する。 ハッシュレベル間で有効な情報負荷のバランスをとることで、レベルごとの解像度を割り当てる手法であるCollision-Aware Resolution Adaptation (CARA)を提案する。
• 参考スコア（独自算出の注目度）: 43.88687763775343
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multiresolution hash encodings have recently enabled fast and high-fidelity implicit neural representations by storing multi-scale features in fixed-size hash tables along a geometric resolution schedule. However, the standard design is data-agnostic: different resolution levels receive identical hash-table capacity despite large differences in image frequency content. As a result, some levels experience severe hash collisions while others underutilize parameters, leading to inefficient capacity allocation. To address this issue, we propose Collision-Aware Resolution Adaptation (CARA), a method that assigns per-level resolutions by balancing the effective information load across hash levels. This adaptive allocation reduces capacity bottlenecks and improves parameter efficiency. In addition, we introduce an invertible pixel-shuffle transform that reduces hash load factors by redistributing spatial information, thereby mitigating collision-induced information loss without enlarging the hash tables. To support evaluation on extremely high-resolution data, we also curate, to the best of our knowledge, the first uncompressed whole-slide image dataset for academic research. Experiments on Kodak images, gigapixel natural images, and raw whole-slide images demonstrate that CARA consistently improves the fidelity-parameter trade-off. Our method matches state-of-the-art performance while using only $27.76%$ of the parameters, and achieves up to $6.11$ dB PSNR improvement at comparable parameter counts. Code is provided in the supplementary.
• Abstract（参考訳）: 多分解能ハッシュ符号化は、幾何解像度のスケジュールに沿って、固定サイズのハッシュテーブルにマルチスケール特徴を格納することで、高速かつ高忠実な暗黙的ニューラル表現を可能にした。 しかし、標準設計は、画像周波数の差が大きいにもかかわらず、異なる解像度レベルが同一のハッシュテーブル容量を受信する、データに依存しない。 その結果、いくつかのレベルは深刻なハッシュ衝突を経験し、他のレベルはパラメータを過小評価し、非効率なキャパシティ割り当てにつながった。 この問題に対処するため、私たちは、ハッシュレベル間で効果的な情報負荷のバランスをとることによって、レベルごとの解像度を割り当てる手法であるCollision-Aware Resolution Adaptation (CARA)を提案する。 このアダプティブアロケーションはキャパシティボトルネックを低減し、パラメータ効率を向上させる。 さらに,空間情報を再分配することでハッシュ負荷を低減し,ハッシュテーブルを拡大することなく衝突による情報損失を軽減できる可逆画素シャッフル変換を導入する。 極端に高解像度なデータの評価を支援するため,学術研究のための非圧縮画像データセットとして,私たちの知る限り,最初の非圧縮画像データセットをキュレートする。 コダック画像、ギガピクセルの自然画像、生の地すべり画像の実験は、CARAが常に忠実度とパラメータのトレードオフを改善していることを示している。 本手法は, パラメータの27.76%しか使用せず, 最新の性能と一致し, 同等のパラメータ数で最大6.11ドルのPSNR改善を実現している。 コードは補足室で提供される。

関連論文リスト

• Variable-Rate Deep Image Compression based on Low-Rank Adaptation by Progressive Learning [2.586182381089325]
  本研究は,パラメータ効率のよい微調整法であるLo-Rank Adaptation (LoRA) に基づく可変レート画像圧縮の漸進的学習手法を提案する。 複数のモデルを利用する手法と比較すると,パラメータストレージの99%,データセットの90%,トレーニングステップの97%を節約できる。
  論文  参考訳（メタデータ） (2026-06-15T01:46:53Z)
• Multi-Scale Invertible Neural Network for Wide-Range Variable-Rate Learned Image Compression [90.59962443790593]
  本稿では,制限を克服するために,可逆変換に基づく可変レート画像圧縮モデルを提案する。 具体的には、入力画像をマルチスケールの潜在表現にマッピングする、軽量なマルチスケール非可逆ニューラルネットワークを設計する。 実験結果から,提案手法は既存の可変レート法と比較して最先端性能を実現することが示された。
  論文  参考訳（メタデータ） (2025-03-27T09:08:39Z)
• NeuroHash: A Hyperdimensional Neuro-Symbolic Framework for Spatially-Aware Image Hashing and Retrieval [5.0923114224599555]
  我々は,高次元コンピューティング(HDC)を活用し,高度にカスタマイズ可能な空間認識画像検索を可能にするニューロハッシュという,新しいニューロシンボリック・フレームワークを紹介する。 NeuroHashは、事前トレーニングされたディープニューラルネットワークモデルとHDCベースのシンボリックモデルを組み合わせることで、条件付き画像検索をサポートするためにハッシュ値の柔軟な操作を可能にする。 我々はNuroHashを2つのベンチマークデータセットで評価し、最先端ハッシュ法と比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2024-04-17T03:01:47Z)
• Probing Image Compression For Class-Incremental Learning [8.711266563753846]
  連続機械学習(ML)システムは、前もって学習したデータのパフォーマンスを維持するために、メモリ制限内に代表サンプル(例題としても知られる)を格納することに依存する。 本稿では,バッファの容量を増大させる戦略として画像圧縮を利用する方法を検討する。 本稿では,事前処理データ圧縮ステップと効率的な圧縮率/アルゴリズム選択方法を含む連続MLのための画像圧縮を組み込む新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-10T18:58:14Z)
• Beyond Learned Metadata-based Raw Image Reconstruction [86.1667769209103]
  生画像は、線形性や微細な量子化レベルなど、sRGB画像に対して明確な利点がある。 ストレージの要求が大きいため、一般ユーザからは広く採用されていない。 本稿では,メタデータとして,潜在空間におけるコンパクトな表現を学習する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-21T06:59:07Z)
• Rank-Enhanced Low-Dimensional Convolution Set for Hyperspectral Image Denoising [50.039949798156826]
  本稿では,ハイパースペクトル(HS)画像の難解化問題に対処する。 ランク付き低次元畳み込み集合(Re-ConvSet)を提案する。 次に、Re-ConvSetを広く使われているU-Netアーキテクチャに組み込んで、HS画像復号法を構築する。
  論文  参考訳（メタデータ） (2022-07-09T13:35:12Z)
• Hybrid Pixel-Unshuffled Network for Lightweight Image Super-Resolution [64.54162195322246]
  畳み込みニューラルネットワーク(CNN)は画像超解像(SR)において大きな成功を収めた ほとんどのディープCNNベースのSRモデルは、高い性能を得るために大量の計算を処理している。 SRタスクに効率的かつ効果的なダウンサンプリングモジュールを導入することで,HPUN(Hybrid Pixel-Unshuffled Network)を提案する。
  論文  参考訳（メタデータ） (2022-03-16T20:10:41Z)
• Reinforcing Short-Length Hashing [61.75883795807109]
  既存の手法は、非常に短いハッシュコードを用いた検索性能が劣っている。 本研究では, 短寿命ハッシュ(RSLH)を改良する新しい手法を提案する。 本稿では,ハッシュ表現とセマンティックラベルの相互再構成を行い,セマンティック情報を保存する。 3つの大規模画像ベンチマークの実験は、様々な短いハッシュシナリオ下でのRSLHの優れた性能を示す。
  論文  参考訳（メタデータ） (2020-04-24T02:23:52Z)
• Image Hashing by Minimizing Discrete Component-wise Wasserstein Distance [12.968141477410597]
  競合するオートエンコーダは、バランスよく高品質なハッシュコードを生成する堅牢で局所性を保存するハッシュ関数を暗黙的に学習できることが示されている。 既存の逆ハッシュ法は、大規模な画像検索に非効率である。 本稿では,サンプル要求と計算コストを大幅に低減した,新しい対向型オートエンコーダハッシュ手法を提案する。
  論文  参考訳（メタデータ） (2020-02-29T00:22:53Z)

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。