Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

FLAIR : représentations neuronales implicites sensibles à la fréquence et à la localité

Created by
  • Haebom

Auteur

Sukhun Ko, Dahyeon Kye, Kyle Min, Chanho Eom, Jihyong Oh

Contour

Cet article propose des représentations neuronales implicites sensibles à la fréquence et à la localité (FLAIR) pour pallier les lacunes des représentations neuronales implicites (INR) : sélectivité fréquentielle, localisation spatiale et représentations éparses. FLAIR intègre deux innovations clés : une nouvelle fonction d'activation, RC-GAUSS, pour la sélection explicite de fréquence et la localisation spatiale selon le principe d'incertitude temps-fréquence (TFUP), et le codage guidé par l'énergie des ondelettes (WEGE), qui guide explicitement les informations fréquentielles dans le réseau à l'aide de la transformée en ondelettes discrète (DWT). Nous démontrons que FLAIR surpasse les INR conventionnelles pour la représentation et la restauration d'images 2D, ainsi que pour les tâches de reconstruction 3D.

Takeaways, Limitations_

•
Takeaways:
◦
Amélioration de la sélectivité de fréquence, de la localisation spatiale et de la capacité de représentation clairsemée de l'INR grâce à une nouvelle fonction d'activation RC-GAUSS prenant en compte le principe d'incertitude temps-fréquence et le WEGE basé sur la transformée en ondelettes.
◦
Atteint des performances supérieures aux INR existants dans diverses tâches de vision, notamment la représentation et la restauration d'images 2D et la reconstruction 3D.
◦
Une nouvelle direction pour améliorer les performances des représentations implicites des réseaux neuronaux.
•
Limitations:
◦
Manque d’analyse du coût de calcul et de la complexité de la méthode proposée.
◦
Une évaluation plus approfondie des performances de généralisation sur divers ensembles de données et tâches est nécessaire.
◦
Manque d'explication détaillée du réglage des paramètres de RC-GAUSS et WEGE.
👍
Made with Slashpage