論文の概要: Towards Seconds-level Video Representation: Quadratically Gated Feature Grid with Adaptive, Prediction-free Sampling
- arxiv url: http://arxiv.org/abs/2611.17786v1
- Date: Fri, 13 Nov 2026 06:00:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.313505
- Title: Towards Seconds-level Video Representation: Quadratically Gated Feature Grid with Adaptive, Prediction-free Sampling
- Title(参考訳): 第2レベルの映像表現に向けて:適応的・予測自由サンプリングによる4次元特徴格子
- Abstract要約: インシシトなニューラルビデオの表現は構築が遅いことで知られており、ほとんどの産業アプリケーションにとって基本的な実用的なしきい値を超えない。
本稿では,Q-GASについて述べる。Q-GAS,Q-GAS,Q-GAS,Q-GAS,Q-GAS,QwiGLU型2次ゲートデコーダ,エラー認識型,予測不要の3次元特徴格子を対応付ける。
Q-GASは評価されたInstant-NGPベースラインの5.5-7.2倍、RNeRVの19-28倍の速度で走行する。
- 参考スコア(独自算出の注目度): 14.6690985240854
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Implicit neural video representations are notoriously slow to build, which does not cross the basic practical threshold for most industrial applications. Here, we present Q-GAS, a coordinate-queryable video representation that couples multi-resolution explicit 3D feature grids with a compact SwiGLU-style quadratic-gating (QG) decoder and an error-aware, prediction-free sampler. The explicit grids avoid hash-collision coefficient sharing at the cost of modestly higher storage yet greatly boost the expressive capacity; the QG decoder introduces low-rank local second-order interactions to improve the nonlinear feature response. During fitting, a global error map periodically refreshes a high-error pool, and each batch mixes pool samples with uniform samples, which is free from the auxiliary model to predict difficult samples, thereby further escalating the efficiency. On UVG Beauty/Bosphorus/Jockey, Q-GAS fits and quantizes under 50 s on one RTX PRO 6000, decodes at over 370 FPS with mixed precision and about 146 FPS in FP32. In our PyTorch implementation, Q-GAS trains and quantizes 5.5-7.2 times faster than the evaluated Instant-NGP baseline and 19-28 times faster than RNeRV. Under a 90 s budget, it improves PSNR/MS-SSIM/LPIPS over the evaluated NeRV-family pipelines at comparable BPP over the measured overlap. We have shared our code at https://github.com/MillenRosen/Q-GAS for readers' free use.
- Abstract(参考訳): インシシトなニューラルビデオの表現は構築が遅いことで知られており、ほとんどの産業アプリケーションにとって基本的な実用的なしきい値を超えない。
本稿では,Q-GASについて述べる。Q-GAS,Q-GAS,Q-GAS,Q-GAS,Q-GAS,QwiGLU型2次ゲートデコーダ,エラー認識型,予測不要の3次元特徴格子を対応付ける。
QGデコーダは、低ランクな局所的な2次相互作用を導入し、非線形特徴応答を改善する。
適合の間、グローバルエラーマップは定期的にハイエラープールをリフレッシュし、各バッチは、補助モデルから解放された一様サンプルとプールサンプルを混合し、困難なサンプルを予測する。
UVG Beauty/Bosphorus/Jockeyでは、Q-GASは1つのRTX PRO 6000に50秒以下で適合し、量子化し、混合精度で370 FPS、FP32で約146 FPSで復号する。
PyTorchの実装では、Q-GASは評価されたInstant-NGPベースラインの5.5-7.2倍、RNeRVの19-28倍の速度でトレーニングし、量子化する。
90秒の予算で、測定されたオーバーラップよりも同等のBPPで評価されたNeRVパイプラインよりもPSNR/MS-SSIM/LPIPSを改善する。
私たちは、読者の無償使用のためにhttps://github.com/MillenRosen/Q-GASでコードを共有しました。
関連論文リスト
- Efficient Generative Image Compression with Quantized Latents Refinement [57.807339232629865]
遺伝子画像圧縮(GIC)は、低計算で強い知覚品質を提供する。
最近の軽量GIC法は遅延を低減しているが、知覚品質は低下している。
高速な推論で競合する再構成性能を実現するGR-GICを提案する。
論文 参考訳(メタデータ) (2026-10-21T13:03:09Z) - Engineering Low-Latency, High-Throughput Quantum Decoders on NVIDIA GPUs [0.05882087655172317]
NVIDIA GPUのための量子エラー補正(QEC)デコーダの設計と最適化を行う。
我々は、最先端のメッセージパッシングアルゴリズムであるRelay belief propagationと、オーダーゼロの順序付き統計処理を組み合わせた。
我々の実装では、バイナリグラフを使用して実行を制御し、収束したサンプルの更新を停止し、未解決のサンプルを後処理のキューに集めています。
論文 参考訳(メタデータ) (2026-10-20T19:38:22Z) - TurboGS: Accelerating 3D Gaussian Splatting via Error-Guided Sparse Pixel Sampling and Optimization [54.179316928687435]
TurboGSは3DGSを高速化するエラー誘導トレーニングフレームワークであり、知覚的に情報のあるピクセルに最適化を集中させることで実現している。
標準ベンチマークの実験では、5090GPUカード1枚で100秒以内にTurboGSが同等または優れたレンダリング品質を提供できることが示されている。
論文 参考訳(メタデータ) (2026-06-14T16:59:48Z) - Adaptive Anchor Policies for Efficient 4D Gaussian Streaming [5.13713525861535]
ほとんどのパイプラインはFarthest Point Smpling (FPS)のような固定アンカーの選択に依存しており、厳格な予算の下で過度に配置されている。
本稿では,プラグイン型,予算対応型アンカーサンプリングシステムであるEfficient Gaussian Streaming (EGS)を提案する。
EGSはFPSを強化されたポリシーに置き換え、ガウスのストリーミング再構築のバックボーンは変更しない。
論文 参考訳(メタデータ) (2026-03-18T00:18:11Z) - GCL-Sampler: Discovering Kernel Similarity for Sampled GPU Simulation via Graph Contrastive Learning [16.481039931473422]
GCL-Samplerは、プログラム実行のリッチな構造とセマンティックな特性をキャプチャする。
GCL-Samplerは、0.37%のエラーで全ワークロードに対して平均258.94倍のスピードアップを達成した。
論文 参考訳(メタデータ) (2026-02-28T09:03:18Z) - TeCoNeRV: Leveraging Temporal Coherence for Compressible Neural Representations for Videos [51.99176811574457]
Inlicit Neural Representations (INRs) は、最近ビデオ圧縮における印象的な性能を実証した。
しかし、エンコーディング効率を維持しながら高解像度ビデオへのスケーリングは依然として大きな課題である。
3つの重要なコントリビューションを通じて、これらの基本的な制限に対処します。
我々は,UVG,HEVC,MCL-JCVで480p,720p,1080pで実験を行った最初のハイパーネットワークアプローチである。
論文 参考訳(メタデータ) (2026-02-18T18:59:55Z) - Speedy MASt3R [68.47052557089631]
MASt3Rは、DUSt3Rを活用して高速な相互マッチング方式を導入することで、画像マッチングを3Dタスクとして再定義する。
高速MASt3Rは、精度を犠牲にすることなく、推論時間(画像ペアあたり198msから91ms)を54%削減する。
この進歩により、リアルタイムな3D理解が可能になり、複合現実ナビゲーションや大規模3Dシーン再構築といったアプリケーションに恩恵をもたらす。
論文 参考訳(メタデータ) (2025-03-13T03:56:22Z) - Scalable Neural Video Representations with Learnable Positional Features [73.51591757726493]
我々は,学習可能な位置特徴(NVP)を用いて,映像を潜時符号として効果的に再生するニューラル表現の訓練方法を示す。
一般的なUVGベンチマークにおけるNVPの優位性を実証し,先行技術と比較して,NVPは2倍の速度(5分以内)で走行するだけでなく,符号化品質も34.07rightarrow$34.57(PSNR測定値で測定)に上回っている。
論文 参考訳(メタデータ) (2022-10-13T08:15:08Z) - Accelerating Training and Inference of Graph Neural Networks with Fast
Sampling and Pipelining [58.10436813430554]
グラフニューラルネットワーク(GNN)のミニバッチトレーニングには、多くの計算とデータ移動が必要である。
我々は,分散マルチGPU環境において,近傍サンプリングを用いたミニバッチトレーニングを行うことを支持する。
本稿では,これらのボトルネックを緩和する一連の改良点について述べる。
また,サンプリングによる推論を支援する実験分析を行い,試験精度が実質的に損なわれていないことを示す。
論文 参考訳(メタデータ) (2021-10-16T02:41:35Z) - Fast convolutional neural networks on FPGAs with hls4ml [0.22756183402372013]
FPGAに超低遅延低電力ディープニューラルネットワークをデプロイするための自動化ツールを紹介します。
最新のモデルパフォーマンスを維持しながら、畳み込みアーキテクチャを使用して5,mu$sの推論レイテンシを実現する方法をデモします。
論文 参考訳(メタデータ) (2021-01-13T14:47:11Z)
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。