論文の概要: M-plicits: Neural Implicit Surfaces via Nested Multiscale Residuals

• arxiv url: http://arxiv.org/abs/2609.28684v1
• Date: Wed, 23 Sep 2026 18:26:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.487213
• Title: M-plicits: Neural Implicit Surfaces via Nested Multiscale Residuals
• Title（参考訳）: M-plicits:Nested Multiscale Residualsによるニューラルインプリシトサーフェス
• Abstract要約: M-プライシッツ(M-plicits)は、表面をネストした近傍の連続を通して訓練された残留物の残余の和としてモデル化するマルチスケールフレームワークである。 スタンフォード大学とThingi32では、M-plicitsは、粗い構成における最も平均的なChamfer距離と、細かな構成における最も中央値のChamfer距離とIoUを達成し、iNGP、BACON、IDFよりもかなり優れたノイズロバスト性を持つ。
• 参考スコア（独自算出の注目度）: 13.406437072803897
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Encoding input coordinates with sinusoidal functions into multi-layer perceptrons (MLPs) has proven effective for implicit neural representations (INRs) of surfaces defined as zero-level sets. However, existing methods often struggle to balance training efficiency, rendering speed, and noise robustness: single-MLP approaches are expensive at inference, grid-based representations are fast but can limit surface smoothness and overfit input noise, and previous multiscale approaches frequently capture noise and produce artifacts due to hard spectral truncation. To address these limitations, we propose M-plicits, a multiscale framework that models surfaces as a residual sum of MLPs trained via a sequence of nested neighborhoods. Unlike existing residual approaches that rely on standard domain-wide sampling and require costly mesh extraction for visualization, our method strictly localizes supervision to narrow bands around the previous zero-level sets. This nested design naturally provides robustness against noisy input data: the coarse network acts as a low-pass filter that establishes a clean geometric prior, while subsequent residuals progressively refine the geometry without fitting to high-frequency artifacts. We further introduce a multiscale sphere-tracing algorithm and a GEMM-based analytical normal computation that bypasses auto-differentiation entirely, yielding high-fidelity real-time rendering. On Stanford and Thingi32, M-plicits achieves the best mean Chamfer distance in the coarse configuration and the best median Chamfer distance and IoU in the fine configuration, with substantially better noise robustness than iNGP, BACON, and IDF, while using an order of magnitude fewer parameters than grid-based baselines. Code, models, and data will be released at https://github.com/dsilvavinicius/m-plicits.
• Abstract（参考訳）: 正弦波関数を持つ入力座標を多層パーセプトロン(MLP)に符号化することは、ゼロレベル集合として定義される表面の暗黙的神経表現(INR)に有効であることが証明されている。 しかし、既存の手法はトレーニング効率、レンダリング速度、ノイズの頑健さのバランスをとるのにしばしば苦労する:シングルMLPアプローチは推論に高価であり、グリッドベースの表現は高速であるが、表面の滑らかさや過度な入力ノイズを制限できる。 これらの制約に対処するため、我々は、ネストされた近傍の連続を通して訓練されたMDPの残余和として曲面をモデル化するマルチスケールフレームワークであるM-plicitsを提案する。 標準的なドメインワイドサンプリングに頼り、視覚化にコストのかかるメッシュ抽出を必要とする既存の残差アプローチとは異なり、本手法は、以前のゼロレベルセットの周辺に狭い帯域に厳密な監督を施す。 このネストされた設計は、自然にノイズの多い入力データに対して堅牢性を提供し、粗いネットワークは、きれいな幾何学的先行性を確立するローパスフィルタとして機能し、その後の残余は、高性能なアーティファクトに適合することなく、幾何を徐々に洗練する。 さらに,多スケール球面追跡アルゴリズムとGEMMに基づく解析正規計算を導入し,自動微分を完全に回避し,高忠実度リアルタイムレンダリングを実現する。 スタンフォードとシンギ32では、M-プライシは、粗い構成における最も平均的なチャンファー距離と、細かな構成における最も中央値のシャンファー距離とIoUを達成し、格子ベースのベースラインよりも桁違いに少ないパラメータを用いて、iNGP、BACON、IDFよりもかなり優れたノイズロバスト性を持つ。 コード、モデル、データはhttps://github.com/dsilvavinicius/m-plicits.comで公開される。

関連論文リスト

• N-GRPO: Embedding-Level Neighbor Mixing for Enhanced Policy Optimization [55.14402862283128]
  我々は,グループ相対政策最適化フレームワークに統合された新しい探索戦略であるN-GRPOを紹介する。 トークンレベルのサンプリングやネイティブな埋め込みレベルのノイズに頼るのではなく、Semantic Neighbor Mixingを活用する。 N-GRPOは、数学推論ベンチマークの強いベースラインよりも一貫した改善を達成し、また分布外タスクの堅牢な一般化能力を示す。
  論文  参考訳（メタデータ） (2026-06-09T12:21:27Z)
• Closed-Form Spectral Regularization for Multi-Task Model Merging [96.82449201305234]
  モデルマージは、個別に調整された複数の専門家をトレーニングデータなしで単一のマルチタスクモデルに結合する。 State-of-the-art merging method formulate merging as a layer-wise interference problem。 本稿では,逐次降下の勾配-流路に一致するソフト指数フィルタを組み合わせた閉形式手法SWUDIを提案する。
  論文  参考訳（メタデータ） (2026-06-05T14:00:47Z)
• SAND: Spatially Adaptive Network Depth for Fast Sampling of Neural Implicit Surfaces [91.71563221166417]
  入射神経表現は幾何学的モデリングには強力であるが、その実用性は高い計算コストによって制限されることが多い。 本稿では,空間適応型ネットワーク深度を用いた効率的なニューラル暗黙的幾何表現フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-15T14:14:17Z)
• Bayesian Matrix Completion Under Geometric Constraints [3.5522446024799064]
  スパース・ノイズ観測からユークリッド距離行列の完成は、信号処理における根本的な課題である。 ランク制約付き最適化や半定値プログラミングのような伝統的な手法は、幾何的制約を強制するが、しばしばスパースまたはノイズの多い条件下で苦労する。 本稿では,EDMを生成する潜在点集合に直接構造的事前を配置し,自然に幾何学的制約を埋め込む階層的ベイズフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-30T09:45:34Z)
• Domain-Incremental Continual Learning for Robust and Efficient Keyword Spotting in Resource Constrained Systems [0.0]
  キーワード エッジデバイスにデプロイされる小さなフットプリントモデルを備えたスポッティングシステムは、かなりの精度と堅牢性に直面する。 計算効率を維持しつつ,新しい領域に適応する継続的学習のための包括的フレームワークを提案する。 提案したパイプラインは、Mel Frequency Cepstral Coefficients(MFCC)とMel-spectrogram機能の両方を利用して、デュアルインプットの畳み込みニューラルネットワークを統合する。
  論文  参考訳（メタデータ） (2026-01-22T17:59:31Z)
• Parallel Diffusion Solver via Residual Dirichlet Policy Optimization [88.7827307535107]
  拡散モデル(DM)は、最先端の生成性能を達成したが、シーケンシャルなデノナイジング特性のため、高いサンプリング遅延に悩まされている。 既存のソルバベースの加速度法では、低次元の予算で画像品質が著しく低下することが多い。 本研究では,各ステップに複数の勾配並列評価を組み込んだ新しいODE解法であるEnsemble Parallel Directionsolvr(EPD-EPr)を提案する。
  論文  参考訳（メタデータ） (2025-12-28T05:48:55Z)
• Extremal Contours: Gradient-driven contours for compact visual attribution [5.6220652636435915]
  恒星を監督するフレームワークが高密度マスクによってより複雑なものを実現する方法を示す。 ImageNetsでは、高密度マスクの極端の輪郭とマッチングし、ランニング・トゥ・ラン・ビジョンを改善したコンパクトな領域を生成する。
  論文  参考訳（メタデータ） (2025-11-03T10:02:21Z)
• Inference-Time Scaling of Diffusion Language Models with Particle Gibbs Sampling [70.8832906871441]
  我々は、モデルを再訓練することなく、所望の報酬に向けて世代を操る方法を研究する。 従来の手法では、通常は1つの認知軌道内でサンプリングやフィルタを行い、軌道レベルの改善なしに報酬をステップバイステップで最適化する。 本稿では,拡散言語モデル(PG-DLM)の粒子ギブスサンプリングについて紹介する。
  論文  参考訳（メタデータ） (2025-07-11T08:00:47Z)
• One-Dimensional Deep Image Prior for Curve Fitting of S-Parameters from Electromagnetic Solvers [57.441926088870325]
  Deep Image Prior(ディープ・イメージ・プライオリ、ディープ・イメージ・プライオリ、DIP)は、ランダムなd畳み込みニューラルネットワークの重みを最適化し、ノイズや過度な測定値からの信号に適合させる技術である。 本稿では,Vector Fitting (VF) の実装に対して,ほぼすべてのテスト例において優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-06T20:28:37Z)
• Neural-IMLS: Self-supervised Implicit Moving Least-Squares Network for Surface Reconstruction [42.00765652948473]
  ニューラル・IMLSは、生の点雲からノイズ耐性符号距離関数(SDF)を直接学習する新しい手法である。 IMLSとSDFの相互学習機構の恩恵を受けるニューラルネットワークが収束すると、ゼロレベルセットが基礎となる表面を近似した忠実なSDFが生成されることも証明した。
  論文  参考訳（メタデータ） (2021-09-09T16:37:01Z)

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。