PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2511.12810v2cs.CV

MSRNet: 위장 객체 검출을 위한 다중 스케일 재귀 네트워크

MSRNet: A Multi-Scale Recursive Network for Camouflaged Object Detection

Pyramid Vision Transformer 백본과 어텐션 기반 스케일 통합 유닛을 결합한 다중 스케일 재귀 네트워크(MSRNet)를 제안하여, 소형 및 다중 위장 객체 검출의 어려움을 해결한다. 재귀 피드백 디코딩 전략과 Multi-Granularity Fusion Unit으로 전역 문맥을 보강한 결과, 4개의 COD 벤치마크 데이터셋 중 2개에서 최고 성능을 달성하였다.

arXiv:2606.27862v1cs.CV

ScaLe-INR: 스케일 및 학습 암시적 신경 표현

ScaLe-INR: Scale and Learn Implicit Neural Representations

다층 퍼셉트론(MLP)으로 매개변수화된 암시적 신경 표현(INR)은 연속 신호 모델링에 탁월하다. 그러나 INR은 근본적으로 스펙트럼 바이어스(spectral bias)와 정보 상호 간섭(information cross-talk)을 겪는다는 핵심 과제가 여전히 남아 있다. 단일 네트워크가 다중 스케일 현상을 포착하려 할 때, 고주파 가중치 업데이트가 기저 저주파 구조 근사를 파괴적으로 간섭한다. 우리는 Scale and Learn INR(ScaLe-INR)을 소개한다. 이는 신호의 주파수 스펙트럼을 INR의 최적 동작 영역과 명시적으로 일치시켜 이러한 한계를 해결하는 새로운 다중 분기 아키텍처이다. 푸리에 역 스케일링 정리(Fourier inverse scaling theorem)에 근거하여, 방향성 좌표 스케일링을 적용하면 특정 공간 축을 따라 네트워크의 표현 대역폭이 확장됨을 보인다. 기능적 분리(functional disentanglement)를 수학적으로 강제하고 분기 간 과제 특화 정보 누출을 최소화하기 위해, 우리는 Directional Edge Guidance 손실(Directional Edge Guidance Loss)을 제안한다. 이는 ground-truth 기울기에서 도출된 공간 조건 희소성 사전분포이다. 고주파 분기가 엄격하고 국소적인 에지 필터(edge-filter)로 동작하도록 제약함으로써, ScaLe-INR은 스펙트럼 상호 간섭을 제거하고, 수렴을 가속하며, 복잡한 다중 스케일 토폴로지에서 고품질 신호 재구성을 달성한다. 우리는 다양한 재구성 및 역문제(inverse) 과제에서 ScaLe-INR을 평가하여, 기존 최신(SOTA) 방법 대비 상당한 성능 향상을 보인다. 제안 아키텍처는 이미지 재구성에서 가장 가까운 baseline 대비 +5.16 dB, 이미지 노이즈 제거에서 +0.65 dB의 향상을 보인다. 또한 오디오 재구성에서 50.02 dB, 3D 재구성에서 0.999 IOU(Intersection Over Union)라는 인상적인 수치를 달성하여 모든 SOTA 모델을 능가한다.