論文の概要: Hardware-Aware Functional Kolmogorov-Arnold Networks for Efficient Medical Image Enhancement and Segmentation

• arxiv url: http://arxiv.org/abs/2609.36134v1
• Date: Mon, 28 Sep 2026 19:08:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:46.964809
• Title: Hardware-Aware Functional Kolmogorov-Arnold Networks for Efficient Medical Image Enhancement and Segmentation
• Title（参考訳）: 効率的な医用画像強調・分割のためのハードウェア対応機能型コルモゴロフ・アルノルドネットワーク
• Abstract要約: 本稿では、FunKANの2段階ハードウェア対応圧縮であるFunKANLiteについて紹介する。 FunKANLite-TRは空間的先行値を低減し、ResBlockオフセット予測器を深さ方向に分離可能なブロックに置き換える。 FunKANLite-STはFunKANよりもパラメータが5.6倍、GFLOPが3.7倍少ない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Functional Kolmogorov-Arnold Networks (FunKAN) achieve state-of-the-art accuracy on MRI Gibbs artifact removal and anatomical segmentation, but their 11.6 M parameters and 8.7 GFLOPs are too large for edge medical devices. We present FunKANLite, a two-stage, hardware-aware compression of FunKAN for point-of-care use. FunKANLite-TR reduces the spatial prior and replaces the ResBlock offset predictor with a depthwise-separable block. It has 1.9x fewer parameters than FunKAN and no loss in accuracy. We then distill FunKANLite-TR into FunKANLite-ST, which lowers the Hermite basis rank, factorizes the spatial prior into a low-rank form, and halves the filter widths. FunKANLite-ST has 5.6x fewer parameters and 3.7x fewer GFLOPs than FunKAN. It stays within 1.4 percentage points IoU of FunKAN on BUSI, GlaS, and CVC-ClinicDB, and reaches 33.95 dB PSNR on IXI. On an NVIDIA Jetson Orin Nano and a Raspberry Pi 5, FunKANLite-ST reduces energy per inference by up to 68% and raises throughput by 2.9x.
• Abstract（参考訳）: 機能的コルモゴロフ・アルノルドネットワーク(FunKAN)は、MRIギブスのアーティファクト除去と解剖学的セグメンテーションにおいて最先端の精度を達成するが、11.6Mパラメータと8.7GFLOPはエッジ医療機器には大きすぎる。 本稿では、FunKANの2段階ハードウェア対応圧縮であるFunKANLiteについて紹介する。 FunKANLite-TR は空間前処理を減らし、ResBlock オフセット予測器を奥行き分離可能なブロックに置き換える。 FunKANよりも1.9倍少ないパラメータを持ち、精度を損なわない。 次に、FunKANLite-TRをFunKANLite-STに蒸留し、Hermite基底ランクを下げ、空間を低ランク形式に分解し、フィルタ幅を半減する。 FunKANLite-STはFunKANよりもパラメータが5.6倍、GFLOPが3.7倍少ない。 BUSI、GlaS、CVC-ClinicDBではFunKANの1.4パーセントのIoUに留まり、IXIでは33.95dBのPSNRに到達している。 NVIDIA Jetson Orin NanoとRaspberry Pi 5では、FunKANLite-STは推論あたりのエネルギーを最大68%削減し、スループットを2.9倍向上させる。

関連論文リスト

• Depth and Scale in the Sub-150M Regime: JugnuLM-53M vs JugnuLM-110M [0.0]
  53.5Mから109.7Mに拡張した。 BLiMP 78.1 -> RMS 81.3, ARC-Easy 51.4 -> 52.5, WikiText-2 byte-perplexity 2.04 -> 1.95 - そして81.3%のBLiMPは基本的にGPT-X2-125Mと約12%のパラメータで一致している。
  論文  参考訳（メタデータ） (2026-09-13T18:17:46Z)
• A Deployment-Friendly Foundational Framework for Efficient Computational Pathology [48.3868019137117]
  モデルオーバーパラメータ化とパッチレベルの冗長性を緩和するLitePathを提案する。 LitePathは、1億9000万のパッチを使用して3つの大きなPFMから蒸留されたコンパクトなモデルであるLiteFMを統合している。 LitePathはVirchhow2より104.5倍高速で、3000のスライドに対して0.36 kWhを消費する。
  論文  参考訳（メタデータ） (2026-02-15T06:31:50Z)
• You Sense Only Once Beneath: Ultra-Light Real-Time Underwater Object Detection [2.5249064981269296]
  超軽量リアルタイム水中物体検出フレームワークYSOOB(You Sense Only Beneath)を提案する。 具体的には、マルチスペクトルウェーブレット(MSWE)を用いて入力画像の周波数領域符号化を行い、水中光色歪みによる意味損失を最小限に抑える。 また、単純で効果的なチャネル圧縮によりモデル冗長性を排除し、モデル軽量化のために大カーネル畳み込み(RLKC)を再構築する。
  論文  参考訳（メタデータ） (2025-04-22T08:26:35Z)
• SVDQuant: Absorbing Outliers by Low-Rank Components for 4-Bit Diffusion Models [61.474101404805545]
  拡散モデルは高品質なイメージを生成することができるが、スケールするにつれて、メモリ要求が増加し、より高いレイテンシがデプロイメント上の課題を引き起こす。 この制限を克服する新しい4ビット量子化パラダイムであるSVDQuantを提案する。 We reduce the memory usage for the 12B FLUX.1 models by 3.5$times$, achieved 3.0$times$ speedup over the 4-bit weight-only Quantization (W4A16) baseline。
  論文  参考訳（メタデータ） (2024-11-07T18:59:58Z)
• Expanding Sparse Tuning for Low Memory Usage [103.43560327427647]
  メモリ使用量が少ないスパースチューニングのためのSNELL(Sparse tuning with kerNelized LoRA)法を提案する。 低メモリ使用量を達成するため、SNELLはスカラー化のための調整可能な行列を2つの学習可能な低ランク行列に分解する。 コンペティションに基づくスペーシフィケーション機構は、チューナブルウェイトインデックスの保存を避けるためにさらに提案される。
  論文  参考訳（メタデータ） (2024-11-04T04:58:20Z)
• Depth Pruning with Auxiliary Networks for TinyML [15.118059441365343]
  プルーニング(Pruning)は、低い計算要求と引き換えに精度を犠牲にするニューラルネットワーク最適化手法である。 本稿では,中間特徴写像の効率的なインタプリタとして,高効率な補助ネットワークを利用する改良を提案する。 Cortex-M0マイクロコントローラで評価すると,提案手法はVWWモデルのサイズを4.7倍,レイテンシを1.6倍削減し,直感的に精度を1%向上させる。
  論文  参考訳（メタデータ） (2022-04-22T07:34:26Z)
• Weight, Block or Unit? Exploring Sparsity Tradeoffs for Speech Enhancement on Tiny Neural Accelerators [4.1070979067056745]
  我々は、低消費電力マイクロコントローラベースのニューラルアクセラレータ(microNPU)の新世代のための最適構成まで、ニューラルネットワーク拡張(SE)を圧縮する目的で、ネットワークスペーシフィケーション戦略を検討する。 本研究は, 軽量刈り, ブロック刈り, ユニット刈りの3つの特異な空間構造について検討し, SEに適用した場合の利点と欠点について考察する。
  論文  参考訳（メタデータ） (2021-11-03T17:06:36Z)
• FastFlowNet: A Lightweight Network for Fast Optical Flow Estimation [81.76975488010213]
  ディセンス光学フロー推定は、多くのロボットビジョンタスクで重要な役割を果たしています。 現在のネットワークはしばしば多くのパラメータを占有し、計算コストがかかる。 提案したFastFlowNetは、周知の粗大なやり方で、以下のイノベーションで機能する。
  論文  参考訳（メタデータ） (2021-03-08T03:09:37Z)
• HRank: Filter Pruning using High-Rank Feature Map [149.86903824840752]
  我々は高階特徴写像(HRank)を探索する新しいフィルタ刈り法を提案する。 私たちのHRankは、単一のフィルタで生成された複数の特徴マップの平均ランクが常に同じであるという発見にインスピレーションを受けています。 HRankに基づいて,低ランク特徴写像を持つプーンフィルタに数学的に定式化する手法を開発した。
  論文  参考訳（メタデータ） (2020-02-24T11:50:09Z)

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。