論文の概要: Neural Residual Modeling for Scientific Data Compression under Guaranteed Error Bounds
- arxiv url: http://arxiv.org/abs/2609.23185v1
- Date: Sat, 19 Sep 2026 19:20:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-22 20:29:00.723151
- Title: Neural Residual Modeling for Scientific Data Compression under Guaranteed Error Bounds
- Title（参考訳）: 保証誤差境界下での科学的データ圧縮のためのニューラル残留モデル
- Abstract要約: 本稿では, RVQ ベースの圧縮機を U-Net で拡張し, 画素空間残差の予測と補正を行う後処理パイプラインを提案する。
我々の知る限り、これは潜時空間RVQ、深部空間後処理ネットワークによる明示的な画素空間残差補正、科学データ圧縮のための単一のフレームワーク内でGAEベースのエラーバウンド保証を組み合わせた最初のパイプラインである。
- 参考スコア（独自算出の注目度）: 7.225839731932847
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Lossy compression of scientific simulation data increasingly relies on learned, latent-space architectures such as Residual Vector Quantization (RVQ), which iteratively quantize a base representation and its residuals to progressively reduce reconstruction error. While effective, RVQ performs this residual modeling entirely in latent space, leaving the pixel-space error structure of the reconstruction largely unaddressed. In this work, we propose a post-processing pipeline that augments an RVQ-based compressor with a U-Net trained to predict and correct pixel-space residuals between the original volume and its RVQ reconstruction. We show that these residuals are spatially structured rather than driven by local intensity or gradient features, motivating the need for a deep spatial model rather than simple statistical correction. The U-Net-corrected reconstruction is then passed through a Guaranteed Autoencoder (GAE) stage, which projects the remaining residual onto a per-block PCA basis to enforce a user-specified block-wise error bound. To the best of our knowledge, this is the first pipeline to combine latent-space RVQ, explicit pixel-space residual correction via a deep spatial post-processing network, and GAE-based error-bound guarantees within a single framework for scientific data compression. We evaluate our approach on S3D, JHTDB and E3SM datasets, demonstrating consistent improvements in NRMSE, compression ratio] over RVQ-only and standard residual-correction baselines, while maintaining strict error guarantees required for scientific data fidelity.
- Abstract（参考訳）: 科学シミュレーションデータのロッシー圧縮は、ベース表現とその残差を反復的に定量化し、徐々に再構成誤差を減少させるResidual Vector Quantization (RVQ)のような学習された潜在空間アーキテクチャにますます依存している。
実効性はあるものの、RVQはこの残差モデリングを潜在空間で完全に実行し、再構成の画素空間の誤差構造は概ね未修正のままである。
本研究では,元のボリュームとRVQ再構成の間の画素空間残差の予測と補正を訓練したU-Netを用いて,RVQベースの圧縮機を付加した後処理パイプラインを提案する。
これらの残留物は局所的な強度や勾配によって駆動されるのではなく、空間的に構造されていることが示され、単純な統計的補正よりも深部空間モデルの必要性が示唆された。
U-Net-corrected reconstruction は、Gurranteed Autoencoder (GAE) 段階を通過し、残りの残余をブロックごとのPCAベースに投影して、ユーザが指定したブロック単位のエラー境界を強制する。
我々の知る限り、これは潜時空間RVQ、深部空間後処理ネットワークによる明示的な画素空間残差補正、科学データ圧縮のための単一のフレームワーク内でGAEベースのエラーバウンド保証を組み合わせた最初のパイプラインである。
我々は,S3D,JHTDB,E3SMデータセットに対するアプローチを評価し,科学データ忠実度に必要な厳密なエラー保証を維持しつつ,RVQのみおよび標準残差補正ベースラインよりもNAMSE,圧縮比が一貫した改善を示した。
関連論文リスト
- HIR-ALIGN: Enhancing Hyperspectral Image Restoration via Diffusion-Based Data Generation [50.46910397782266]
ハイパスペクトル画像(HSI)の復元は、ノイズ、ぼかし、分解能損失などの劣化に悩まされるため、信頼性の高い解析に不可欠である。
本稿では,HIR-ALIGNを提案する。HIR-ALIGNは,限られたトレーニング画像と,ターゲット分布と密に一致した合成データとを付加して,ハイパースペクトル画像の復元を促進するための,プラグアンドプレイのターゲット適応型拡張フレームワークである。
論文 参考訳（メタデータ） (2026-05-13T14:14:13Z) - Efficient Techniques for Data Reconstruction, with Finite-Width Recovery Guarantees [0.11666234644810893]
トレーニングされたニューラルネットワークに対するデータ再構成攻撃は、ネットワークがトレーニングされたデータを回復することを目的としている。
本稿では,初期および訓練されたパラメータ値に基づいて,データ再構成問題の統一的な最適化法を提案する。
ランダムな特徴モデルにおいて、この定式化は、高い確率でトレーニングデータ再構成につながることを示す。
論文 参考訳（メタデータ） (2026-05-07T16:27:12Z) - Tail-Aware Post-Training Quantization for 3D Geometry Models [58.79500829118265]
ポストトレーニング量子化(PTQ)は、再トレーニングなしに効率的な推論を可能にする。
PTQは複雑な特徴分布と禁止キャリブレーションオーバーヘッドのために、3Dモデルに効果的に転送できない。
3次元幾何学学習のためのTail-Aware Post-Training Quantization PipelineであるTAPTQを提案する。
論文 参考訳（メタデータ） (2026-02-02T07:21:15Z) - Knowledge-Informed Neural Network for Complex-Valued SAR Image Recognition [51.03674130115878]
本稿では,新しい「圧縮集約圧縮」アーキテクチャ上に構築された軽量なフレームワークであるKnowledge-Informed Neural Network(KINN)を紹介する。
KINNはパラメータ効率の認識における最先端を確立し、データスカースとアウト・オブ・ディストリビューションのシナリオにおいて例外的な一般化を提供する。
論文 参考訳（メタデータ） (2025-10-23T07:12:26Z) - Flow-Matching Guided Deep Unfolding for Hyperspectral Image Reconstruction [53.26903617819014]
Flow-Matching-Guided Unfolding Network (FMU)は、最初にフローマッチングをHSI再構成に統合する。
学習力学をさらに強化するために,平均速度損失を導入する。
シミュレーションと実データの両方の実験により、FMUは復元品質において既存のアプローチよりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2025-10-02T11:32:00Z) - EoRA: Fine-tuning-free Compensation for Compressed LLM with Eigenspace Low-Rank Approximation [84.70637613266835]
EoRAは、圧縮されたLarge Language Modelを低ランク行列で拡張する微調整不要な手法である。
EoRAは、圧縮LDMの精度を回復するために、トレーニングなしの低ランク法よりも一貫して優れている。
論文 参考訳（メタデータ） (2024-10-28T17:59:03Z) - Machine Learning Techniques for Data Reduction of CFD Applications [10.881548113461493]
本稿では,科学的結果の低減に相関を利用した保証ブロックオートエンコーダを提案する。
入力と出力の両方にテンソルの多次元ブロック(CFD)を使用する。
論文 参考訳（メタデータ） (2024-04-28T04:01:09Z) - A Range-Null Space Decomposition Approach for Fast and Flexible Spectral
Compressive Imaging [31.26101924400667]
圧縮ハイパースペクトル画像(HSI)再構成のための新しいフレームワークであるRND-SCIを提案する。
我々のフレームワークは、再構成されたオブジェクトをレンジスペースとヌルスペースのコンポーネントに分解します。
RND-SCIは設計が単純で、高い解釈性を持つだけでなく、様々なHSI再構成ネットワークにも容易に適用できる。
論文 参考訳（メタデータ） (2023-05-16T18:37:58Z) - SST-ReversibleNet: Reversible-prior-based Spectral-Spatial Transformer
for Efficient Hyperspectral Image Reconstruction [15.233185887461826]
Reversible-prior-based methodと呼ばれる新しいフレームワークが提案されている。
ReversibleNetは、シミュレートされた実HSIデータセットの最先端メソッドよりも大幅に優れています。
論文 参考訳（メタデータ） (2023-05-06T14:01:02Z) - Degradation-Aware Unfolding Half-Shuffle Transformer for Spectral
Compressive Imaging [142.11622043078867]
圧縮画像と物理マスクからパラメータを推定し,これらのパラメータを用いて各イテレーションを制御する,DAUF(Degradation-Aware Unfolding Framework)を提案する。
HST を DAUF に接続することにより,HSI 再構成のための変換器の深部展開法であるデグレーション・アウェア・アンフォールディング・ハーフシャッフル変換器 (DAUHST) を確立した。
論文 参考訳（メタデータ） (2022-05-20T11:37:44Z)
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。