論文の概要: C$^{2}$-INR: Customized Convolutional Implicit Neural Representation

• arxiv url: http://arxiv.org/abs/2609.22807v1
• Date: Sat, 19 Sep 2026 06:17:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.55976
• Title: C$^{2}$-INR: Customized Convolutional Implicit Neural Representation
• Title（参考訳）: C$^{2}$-INR:Customized Convolutional Implicit Neural Representation
• Abstract要約: Implicit Neural Representation (INR)は、ニューラルネットワークを利用して画像などの離散的な信号を連続的に表現する。 既存のINRメソッドの多くは、バックボーンとしてMulti-Layer Perceptrons (MLP)を採用している。 対照的に、畳み込みINRは画素間の依存関係を本質的に考慮しながら、並列にピクセルを処理することができる。
• 参考スコア（独自算出の注目度）: 52.0139495321554
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Implicit Neural Representation (INR) leverages neural networks to represent discrete signals such as images as continuous ones, where the network weights serve as a compact form of the signal itself. Most existing INR methods adopt Multi-Layer Perceptrons (MLPs) as their backbone. Since these models render each pixel independently, they inherently fail to exploit the spatial correlations that exist between neighboring pixels. In contrast,convolutional INRs can process pixels in parallel while inherently accounting for inter-pixel dependencies, making them a more natural fit for representing images. Nevertheless, convolutional INRs remain relatively underexplored, and the majority of them rely on fixed architectural settings, leaving little room for image-specific adaptation. In this paper, we investigate network customization for convolutional INRs. We replace conventional filters with irregular directional kernels, whose allocation is guided by the directional energy in the image spectrum, i.e., directions exhibiting stronger energy are assigned a larger number of kernels, enabling content-tailored convolution settings. These kernels are further reformulated via an orthogonal basis to achieve a superior sparse representation. Moreover, we introduce an annealed Gumbel-Softmax-based mechanism for kernel-level activation function selection, which gives the most suitable activation function for each convolution kernel. Extensive experiments demonstrate that our method, namely C$^{2}$-INR, achieves superior performance against state-of-the-art approaches under comparable parameter budgets across a wide range of image processing tasks, including representation, inpainting, and super-resolution.
• Abstract（参考訳）: Inlicit Neural Representation (INR)は、ニューラルネットワークを利用して、画像などの離散的な信号を連続的な信号として表現する。 既存のINRメソッドの多くは、バックボーンとしてMulti-Layer Perceptrons (MLP)を採用している。 これらのモデルは各ピクセルを独立に描画するので、隣接するピクセル間の空間的相関を本質的に利用できない。 対照的に、畳み込みINRは画素間の依存関係を本質的に考慮しながら並列に処理できるため、画像を表現するのにより自然に適合する。 しかし、畳み込みINRはいまだ比較的未熟であり、その大半は固定されたアーキテクチャ設定に依存しており、画像固有の適応の余地はほとんど残っていない。 本稿では,畳み込みINRのネットワークカスタマイズについて検討する。 我々は、従来のフィルタを不規則な指向性カーネルに置き換え、その割り当ては画像スペクトルの方向エネルギーによって誘導される、すなわち、より強いエネルギーを示す方向がより多くのカーネルに割り当てられ、コンテント調整された畳み込み設定が可能である。 これらのカーネルは、より優れたスパース表現を達成するために、直交基底によってさらに再構成される。 さらに,カーネルレベルのアクティベーション関数選択のためのアニール型Gumbel-Softmax機構を導入し,各コンボリューションカーネルに最適なアクティベーション関数を与える。 実験の結果,C$^{2}$-INRという手法は,表現,塗装,超解像など,幅広い画像処理タスクにおいて,同等のパラメータ予算下での最先端手法に対して優れた性能を示すことがわかった。

関連論文リスト

• Representation Forcing for Bottleneck-Free Unified Multimodal Models [76.99907273945493]
  統一マルチモーダルモデル(UMM)は、単一モデルにおける知覚と生成を扱うことを目的としている。 既存のUMMは、画像生成のために別々に訓練された凍結したVAEに依存しており、構造的なボトルネックを示唆している。 本稿では,表現予測をモデルのネイティブ機能にすることで,このギャップを埋める手法であるRepresentation Forcing(RF)を提案する。
  論文  参考訳（メタデータ） (2026-05-29T17:59:55Z)
• Implicit Neural Representations: A Signal Processing Perspective [54.57279006229212]
  入射神経表現(INR)は、離散的なサンプルデータから連続的な機能的表現へと、信号モデリングの根本的な変化を示す。 本稿では、信号処理の観点からのINRの進化を考察し、スペクトル挙動、サンプリング理論、マルチスケール表現を強調する。 医療・レーダ画像の逆問題,圧縮,3次元シーン表現など,幅広い応用分野におけるINRの有用性を強調した。
  論文  参考訳（メタデータ） (2026-04-16T14:12:06Z)
• MINR: Efficient Implicit Neural Representations for Multi-Image Encoding [10.161354612863295]
  Inlicit Neural Representations (INR)は、暗黙の連続関数を通じて離散信号をパラメータ化することを目的としている。 我々は、マルチイメージを効率的にエンコードするために、特定のレイヤを共有するMINRを提案する。 MINRは100枚の画像を効果的に処理し、34dBの平均ピーク信号-雑音比(PSNR)を維持する。
  論文  参考訳（メタデータ） (2025-08-19T03:05:14Z)
• Exploring Kernel Transformations for Implicit Neural Representations [57.2225355625268]
  入射神経表現(INR)は、ニューラルネットワークを利用して、対応する属性に座標をマッピングすることで、信号を表現する。 この研究は、モデル自体を変更せずに入出力のカーネル変換の効果を探求する先駆者となった。 我々の発見の副産物は、スケールとシフトを組み合わせて、INRを無視できないオーバーヘッドで著しく向上させる、単純で効果的な方法である。
  論文  参考訳（メタデータ） (2025-04-07T04:43:50Z)
• SL$^{2}$A-INR: Single-Layer Learnable Activation for Implicit Neural Representation [10.079590259767306]
  Inlicit Neural Representation (INR)は、ニューラルネットワークを利用して、座標入力を対応する属性に変換することで、視覚関連領域において大きな進歩をもたらした。 我々は,INRアーキテクチャに新しいアプローチを導入することで,これらの課題を緩和できることを示す。 具体的には,シングルレイヤの学習可能なアクティベーション関数と従来のReLUアクティベーションを用いた合成を組み合わせたハイブリッドネットワークSL$2$A-INRを提案する。
  論文  参考訳（メタデータ） (2024-09-17T02:02:15Z)
• Signal Processing for Implicit Neural Representations [80.38097216996164]
  Inlicit Neural Representation (INR)は、マルチ層パーセプトロンを介して連続したマルチメディアデータを符号化する。 既存の作業は、その離散化されたインスタンスの処理を通じて、そのような連続的な表現を操作する。 本稿では,INSP-Netと呼ばれる暗黙的ニューラル信号処理ネットワークを提案する。
  論文  参考訳（メタデータ） (2022-10-17T06:29:07Z)
• Asymmetric CNN for image super-resolution [102.96131810686231]
  深層畳み込みニューラルネットワーク(CNN)は、過去5年間で低レベルビジョンに広く適用されています。 画像超解像のための非対称ブロック(AB)、mem?ory拡張ブロック(MEB)、高周波数特徴強調ブロック(HFFEB)からなる非対称CNN(ACNet)を提案する。 我々のACNetは、ブラインドノイズの単一画像超解像(SISR)、ブラインドSISR、ブラインドSISRを効果的に処理できる。
  論文  参考訳（メタデータ） (2021-03-25T07:10:46Z)
• Adversarial Generation of Continuous Images [31.92891885615843]
  本稿では,INRに基づく画像デコーダ構築のための2つの新しいアーキテクチャ手法を提案する。 私たちは、最先端の連続画像GANを構築するためにそれらを使用します。 提案したINR-GANアーキテクチャは連続画像生成装置の性能を数倍改善する。
  論文  参考訳（メタデータ） (2020-11-24T11:06:40Z)

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。