論文の概要: Do We Need Learned Targets? Classical Gradients as Supervision for 2D Gaussian Initialization

• arxiv url: http://arxiv.org/abs/2610.25809v1
• Date: Mon, 19 Oct 2026 05:19:40 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:26:33.218694
• Title: Do We Need Learned Targets? Classical Gradients as Supervision for 2D Gaussian Initialization
• Title（参考訳）: 学習対象は必要か? 2次元ガウス初期化のスーパービジョンとしての古典的グラディエント
• Abstract要約: 訓練不要解析初期化器は、確率ブースティング、並列グリッドベースサンプリング、幾何処理を組み合わせたものである。 ニューラルイニシャライザは、オフラインターゲット最適化を削除するオンラインのSobel監督でDIV2Kでトレーニングされる。 Kvasir-SEG では、トレーニング不要な解析初期化器は、報告された全ての予算において Instant-GI を超える。
• 参考スコア（独自算出の注目度）: 2.62243193924867
• License:
• Abstract: Learning-based Gaussian image initializers can require costly supervision obtained by per-image optimization. We investigate whether the Pseudo-PPM targets used by Instant GaussianImage can be replaced by classical image gradients. Our framework uses normalized Sobel maps in two tracks. A training-free analytic initializer combines probability boosting, parallel grid-based sampling, and geometric processing, producing initial parameters in 0.32 seconds on average. A neural initializer is trained on DIV2K with online Sobel supervision, which removes offline target optimization and allows training to scale to 10,000 LSDIR images without additional preprocessing. Both tracks achieve competitive long-budget reconstruction on Kodak and DIV2K. Under domain shift, the DIV2K-trained neural initializer surpasses Instant-GI on Manga109 from 500 fitting iterations onward (by 1.40 dB at 5K iterations), and training on LSDIR increases this margin to 1.85 dB. On Kvasir-SEG, the training-free analytic initializer exceeds Instant-GI at every reported budget. A controlled pipeline-time comparison yields an estimated $4.9\times$ reduction for DIV2K. These results establish inexpensive analytic targets as a practical alternative to optimization-derived supervision for scalable Gaussian initialization.
• Abstract（参考訳）: 学習ベースのガウス画像初期化器は、画像ごとの最適化によって得られるコストのかかる監督を必要とする。 Instant Gaussian Image が用いた Pseudo-PPM ターゲットが古典的な画像勾配に置き換えられるかどうかを検討する。 我々のフレームワークは2つのトラックで正規化されたソベル写像を使用する。 トレーニング不要な解析初期化器は、確率ブースティング、並列グリッドベースのサンプリング、幾何学的処理を組み合わせて、平均0.32秒で初期パラメータを生成する。 ニューラルイニシャライザは、オンラインのSobel監督によってDIV2K上でトレーニングされ、オフラインターゲットの最適化を排除し、追加の事前処理なしで1万のLSDIRイメージにスケールすることができる。 どちらのトラックもコダックとDIV2Kの長期予算の競争力のある再建を実現している。 ドメインシフトの下では、DIV2Kでトレーニングされたニューラルイニシャライザは、500回の適合イテレーション(5Kイテレーションで1.40dB)からManga109上のInstant-GIを上回り、LSDIRでのトレーニングはこのマージンを1.85dBに増やす。 Kvasir-SEG では、トレーニング不要な解析初期化器は、報告された全ての予算において Instant-GI を超える。 制御されたパイプライン時間比較は、DIV2Kの4.9\times$ reduce となる。 これらの結果は、スケーラブルなガウス初期化のための最適化に基づく監督の代替として、安価な分析目標を確立する。

関連論文リスト

• Noise-shaped Sampling and Annealing for Scalable On-the-edge Training of Binary and Ternary AI Models [13.57076548779839]
  2次ネットワークと3次ネットワークのトレーニング損失は、階層的高次イジングモデルのエネルギーと構造的に等価である。 $$Samplerはノイズシェーピングループにノイズ量子化器を埋め込む。 トレーニングメモリのフットプリントを50%以上削減し、オーダー・オブ・マグニチュードのスピードアップを実現し、4桁以上のメモリトラフィックを削減します。
  論文  参考訳（メタデータ） (2026-10-15T20:23:10Z)
• Rethinking Pixel Mean Flows via Interval Denoiser [95.11499828543344]
  潜在自由生成のためのフレームワークであるInterval Denoiserを提案する。 その結果,FIDは1ステップ (1-NFE) で4.55, 2ステップ (2-NFE) で3.98であった。
  論文  参考訳（メタデータ） (2026-08-05T13:22:43Z)
• VA-$π$: Variational Policy Alignment for Pixel-Aware Autoregressive Generation [65.22452273252428]
  VA-$は自動回帰視覚生成を最適化するポストトレーニングフレームワークである。 ピクセル再構成と自己回帰モデリングを統一する。 FIDを14.36から7.65に削減し、ISをLlamaGen-XXLで86.55から116.70に改善する。
  論文  参考訳（メタデータ） (2025-12-22T18:54:30Z)
• FFT-based Dynamic Subspace Selection for Low-Rank Adaptive Optimization of Large Language Models [49.397861654088636]
  低次元空間へのSVD/QRベースの勾配射影を近似する2段階の手順を提案する。 当社の戦略はランタイムの高速化とメモリ使用量の削減を,さまざまなモデルサイズで最大25%削減できることが示されています。
  論文  参考訳（メタデータ） (2025-05-23T14:37:00Z)
• Second-order Optimization of Gaussian Splats with Importance Sampling [51.95046424364725]
  3D Gaussian Splatting (3DGS) は、高品質で高速な推論時間のため、新しいビューレンダリングに広く用いられている。 本稿では,Levenberg-Marquardt (LM) と Conjugate Gradient (CG) に基づく新しい2階最適化手法を提案する。 提案手法は標準LMよりも3倍の高速化を実現し,ガウス数が少ない場合のAdamを6倍の6倍の速さで上回る。
  論文  参考訳（メタデータ） (2025-04-17T12:52:08Z)
• DeepZero: Scaling up Zeroth-Order Optimization for Deep Model Training [33.11416096294998]
  ゼロオーダー(ZO)最適化は、機械学習(ML)問題を解決する一般的なテクニックとなっている。 ディープニューラルネットワーク(DNN)のトレーニングにおけるZO最適化の有効性を、パフォーマンスを著しく低下させることなく実証した以前の研究はない。 我々は,ZO最適化をDNNトレーニングにスクラッチから拡張可能なZOディープラーニング(DL)フレームワークであるDeepZeroを開発した。
  論文  参考訳（メタデータ） (2023-10-03T13:05:36Z)
• Towards Theoretically Inspired Neural Initialization Optimization [66.04735385415427]
  我々は,ニューラルネットワークの初期状態を評価するための理論的知見を備えた,GradCosineという微分可能な量を提案する。 標準制約下でGradCosineを最大化することにより、ネットワークのトレーニングとテストの両方の性能を向上させることができることを示す。 サンプル分析から実際のバッチ設定に一般化されたNIOは、無視可能なコストで、より優れた初期化を自動で探すことができる。
  論文  参考訳（メタデータ） (2022-10-12T06:49:16Z)
• Exploiting Activation based Gradient Output Sparsity to Accelerate Backpropagation in CNNs [15.465530153038927]
  多くの最先端技術の背後にある原動力として、機械学習(ML/DL)ベースの技術が登場している。 しかし、大きなパラメータを含むこれらのモデルをトレーニングすることは、時間とエネルギーの両方を消費する。
  論文  参考訳（メタデータ） (2021-09-16T04:12:51Z)
• Human Body Model Fitting by Learned Gradient Descent [48.79414884222403]
  画像に3次元の人体形状を適合させる新しいアルゴリズムを提案する。 このアルゴリズムは高速(約120ms収束)で、データセットに頑健であり、公開評価データセットの最先端結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-08-19T14:26:47Z)

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。