論文の概要: Refined Grid Sampling for Efficient Implicit Neural Representations of Large-Scale Scientific Data

• arxiv url: http://arxiv.org/abs/2610.14205v1
• Date: Fri, 09 Oct 2026 18:14:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 22:40:16.886823
• Title: Refined Grid Sampling for Efficient Implicit Neural Representations of Large-Scale Scientific Data
• Title（参考訳）: 大規模科学データの効率よいニューラルネットワーク表現のためのグリッドサンプリング
• Abstract要約: 入射神経表現(INR)は、高次元の物理場をモデル化するための強力な枠組みを提供する。 しかし、高密度座標格子の評価は計算コストがかかるため、トレーニングは効率的ではない。 本稿では,階層化されたグリッドサンプリング,エラーベースのリファインメント,動的グリッド解像度調整を組み合わせたRefined Grid Sampling(RGS)を紹介する。 高分解能Navier-Stokesフィールドでは、RGSは固定壁面の予算内で高い再現精度を達成し、評価ベースラインよりも最大6倍高速でフルグリッドトレーニングの精度に達する。
• 参考スコア（独自算出の注目度）: 28.962166255962472
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Implicit neural representations (INRs) offer a powerful framework for modeling high-dimensional physical fields, but their training remains inefficient because evaluating dense coordinate grids is computationally expensive. Existing coordinate-pruning strategies rely on local error functions that can oversample correlated points and incur substantial overhead from full-grid error evaluation. We introduce Refined Grid Sampling (RGS), which combines stratified grid sampling, error-based refinement, and dynamic grid-resolution adjustment. This design reduces spatial redundancy without evaluating errors over the full grid. On high-resolution Navier--Stokes fields, RGS achieves higher reconstruction accuracy within a fixed wall-clock budget and reaches the accuracy of full-grid training up to $6\times$ faster than the evaluated baselines.
• Abstract（参考訳）: Inlicit Neural representations (INR) は高次元の物理場をモデリングするための強力なフレームワークを提供するが、高密度座標格子の評価は計算コストがかかるため、その訓練は効率的ではない。 既存の座標決定戦略は、相関点をオーバーサンプリングし、フルグリッドエラー評価からかなりのオーバーヘッドを発生させることができる局所誤差関数に依存している。 本稿では,階層化されたグリッドサンプリング,エラーベースのリファインメント,動的グリッド解像度調整を組み合わせたRefined Grid Sampling(RGS)を紹介する。 この設計は、全格子上の誤差を評価することなく空間的冗長性を低減させる。 高解像度のNavier-Stokesフィールドでは、RGSは固定壁面の予算内で高い再現精度を達成し、評価ベースラインよりも最大6\times$でフルグリッドトレーニングの精度に達する。

関連論文リスト

• Scalable Subgraph Sampling via Resistance Curvature [8.665262442928217]
  サブグラフサンプリングは、大規模グラフニューラルネットワークのトレーニングコストを低減する。 ERC-LGを用いた抵抗曲率誘導サンプリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-09-23T01:16:29Z)
• 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)
• Decentralized Nonconvex Composite Federated Learning with Gradient Tracking and Momentum [78.27945336558987]
  分散サーバ(DFL)はクライアント・クライアント・アーキテクチャへの依存をなくす。 非滑らかな正規化はしばしば機械学習タスクに組み込まれる。 本稿では,これらの問題を解決する新しいDNCFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-04-17T08:32:25Z)
• Mesh-based Super-Resolution of Fluid Flows with Multiscale Graph Neural Networks [0.0]
  メッシュベースの流体の3次元超解像を可能にするグラフニューラルネットワーク(GNN)アプローチが本研究で導入された。 このフレームワークでは、GNNは一度に完全なメッシュベースのフィールドでではなく、要素(またはセル)の局所的なメッシュで動くように設計されている。
  論文  参考訳（メタデータ） (2024-09-12T05:52:19Z)
• Adaptive Multilevel Neural Networks for Parametric PDEs with Error Estimation [0.0]
  ニューラルネットワークアーキテクチャは高次元パラメータ依存偏微分方程式(pPDE)を解くために提示される モデルデータのパラメータを対応する有限要素解にマッピングするために構築される。 適応有限要素法(AFEM)で生成される粗いグリッド解と一連の補正を出力する。
  論文  参考訳（メタデータ） (2024-03-19T11:34:40Z)
• Super-resolution GANs of randomly-seeded fields [68.8204255655161]
  ランダムスパースセンサからフィールド量の推定を行うための,GAN(Super- resolution Generative Adversarial Network)フレームワークを提案する。 このアルゴリズムはランダムサンプリングを利用して、高解像度の基底分布の不完全ビューを提供する。 提案手法は, 流体流動シミュレーション, 海洋表面温度分布測定, 粒子画像速度測定データの合成データベースを用いて検証した。
  論文  参考訳（メタデータ） (2022-02-23T18:57:53Z)
• FasterPose: A Faster Simple Baseline for Human Pose Estimation [65.8413964785972]
  本稿では,高速ポーズ推定のためのLR表現を用いた費用対効果ネットワークの設計パラダイムであるFasterPoseを提案する。 我々は,FasterPoseのトレーニング挙動について検討し,収束を加速する新しい回帰クロスエントロピー(RCE)損失関数を定式化する。 従来のポーズ推定ネットワークと比較すると,FLOPの58%が減少し,精度が1.3%向上した。
  論文  参考訳（メタデータ） (2021-07-07T13:39:08Z)
• A Biased Graph Neural Network Sampler with Near-Optimal Regret [57.70126763759996]
  グラフニューラルネットワーク(GNN)は、グラフおよびリレーショナルデータにディープネットワークアーキテクチャを適用する手段として登場した。 本論文では,既存の作業に基づいて,GNN近傍サンプリングをマルチアームバンディット問題として扱う。 そこで本研究では,分散を低減し,不安定かつ非限定的な支払いを回避すべく設計されたバイアスをある程度導入した報酬関数を提案する。
  論文  参考訳（メタデータ） (2021-03-01T15:55:58Z)
• Local Grid Rendering Networks for 3D Object Detection in Point Clouds [98.02655863113154]
  CNNは強力だが、全点の雲を高密度の3Dグリッドに酸化した後、点データに直接畳み込みを適用するのは計算コストがかかる。 入力点のサブセットの小さな近傍を低解像度の3Dグリッドに独立してレンダリングする,新しい,原理化されたローカルグリッドレンダリング(LGR)演算を提案する。 ScanNetとSUN RGB-Dデータセットを用いた3次元オブジェクト検出のためのLGR-Netを検証する。
  論文  参考訳（メタデータ） (2020-07-04T13:57:43Z)

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。