PyTorchKR Papers

최신 논문

총 11편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.28110v1cs.CV

암시적 신경 표현 및 확산 모델 기반 정제를 통한 치과용 콘빔 CT의 시야각 확장

Field-of-View Extension in Dental Cone-Beam CT via Implicit Neural Representations and Diffusion Model-Based Refinement

치과용 콘빔 전산화단층촬영(CBCT) 시스템은 종종 환자의 해부학적 구조 중 작은 부분만을 촬영하는 절단된 시야각(FOV)을 제공하는 디텍터 구성을 사용합니다. 본 연구에서는 절단된 FOV 스캔의 투영 데이터를 사용하여 확장된 FOV를 재구성하는 것을 목표로 합니다. 이를 위해 (1) 절단된 투영 데이터의 누락된 부분을 추정하기 위한 암시적 신경 표현(INR), (2) 향상된 해부학적 일관성을 갖춘 보조 볼륨 이미지를 생성하기 위한 반복적 재구성(iterative reconstruction), (3) 이미지 개선을 위한 빠른 확산 모델(diffusion model)로 구성된 3단계 프레임워크를 제안합니다. 제안된 접근 방식은 절단된 CBCT 이미징을 위한 통합 파이프라인 내에서 연속적 표현(continuous representation), 물리 기반 재구성 및 생성적 정제의 장점을 결합합니다. 실험 결과는 이 방법이 절단 아티팩트를 효과적으로 줄이고, 원래 FOV 너머로 확장되는 구조의 재구성을 개선하며, 향상된 품질의 이미지를 생성함을 입증합니다. 코드 데이터는 https://github.com/SusanneSchaub/CBCT-FOV-Extension 에서 공개되어 있습니다.

arXiv:2609.22807v1cs.CV

C$^{2}$-INR: 맞춤형 합성곱 암시적 신경 표현

C$^{2}$-INR: Customized Convolutional Implicit Neural Representation

암시적 신경 표현(INR)은 신경망을 활용하여 이미지와 같은 이산 신호를 연속적인 신호로 표현하며, 이때 신경망 가중치는 신호 자체의 압축된 형태 역할을 합니다. 기존의 대부분의 INR 방법은 백본으로 다층 퍼셉트론(MLP)을 채택합니다. 이러한 모델들은 각 픽셀을 독립적으로 렌더링하기 때문에, 이웃한 픽셀 사이에 존재하는 공간적 상관관계를 본질적으로 활용하지 못합니다. 반면, 합성곱(convolutional) INR은 픽셀 간의 의존성을 본질적으로 고려하면서 픽셀을 병렬로 처리할 수 있어 이미지를 표현하는 데 더욱 자연스럽게 부합합니다. 그럼에도 불구하고 합성곱 INR은 상대적으로 덜 연구되었으며, 대부분은 고정된 구조적 설정에 의존하여 이미지 맞춤형 적응을 위한 여지를 거의 남겨두지 않습니다. 본 논문에서는 합성곱 INR을 위한 신경망 맞춤화(network customization)를 연구합니다. 우리는 기존 필터를 비정형 방향성 커널로 대체하며, 이들의 할당은 이미지 스펙트럼의 방향성 에너지에 의해 안내됩니다. 즉, 더 강한 에너지를 나타내는 방향에 더 많은 수의 커널이 할당되어 콘텐츠에 맞춤화된 합성곱 설정을 가능하게 합니다. 이러한 커널들은 우수한 희소 표현을 달성하기 위해 직교 기저(orthogonal basis)를 통해 추가로 재구성됩니다. 나아가, 우리는 각 합성곱 커널에 가장 적합한 활성화 함수를 부여하는 어닐링된 검벨-소프트맥스(Gumbel-Softmax) 기반의 커널 단위 활성화 함수 선택 메커니즘을 도입합니다. 광범위한 실험을 통해 우리의 방법인 C$^{2}$-INR이 표현, 인페인팅, 초해상도를 포함한 광범위한 이미지 처리 작업 전반에서 유사한 매개변수 예산 하에 최첨단 접근법 대비 우수한 성능을 달성함을 입증합니다.

arXiv:2607.21787v1cs.CV

강건한 초음파 이미지 분할을 위한 위험 라우팅 암시적 경계 정제

Risk-Routed Implicit Boundary Refinement for Robust Ultrasound Image Segmentation

의료용 초음파(US) 이미지 분할은 스펙클 노이즈, 저대비 경계, 음향 음영, 그리고 조작자 및 임상 센터 간 촬영 변동으로 인해 상당한 어려움에 직면한다. 인코더-디코더 및 트랜스포머 기반 네트워크가 강력한 성능을 달성했지만, 많은 방법들이 조밀한 디코더나 더 큰 백본을 통해 경계 세부 정보를 복원하며, 이는 외부 분포 변화 하에서 여전히 과도하게 평활화된 윤곽이나 불안정한 예측을 생성할 수 있다. 본 논문에서는 제약 없는 전체 마스크 예측기가 아닌 위험 라우팅 잔차 보정으로 암시적 신경 표현(implicit neural representation)을 사용하는 컴팩트한 분할 프레임워크인 Risk-routed Implicit Boundary Refinement(RIBR)를 제안한다. RIBR은 경계 정제 암시적 잔차, 위험 라우팅 잔차 제어, 기하학 및 스펙클 인식 경계 정규화를 결합하여 불확실한 윤곽을 정제하는 동시에 비경계 진동을 억제한다. 림프절, 유방 병변, 갑상선 결절, 전립선을 포함하는 9개의 US 데이터셋에 대한 평가에서 RIBR은 전체 매크로 평균에서 최고 성능을 달성하고, 컴팩트한 매개변수 예산 하에서 그룹화 및 장기별 비교 전반에 걸쳐 경계 오류를 일관되게 감소시킨다. 이러한 결과는 제어된 암시적 잔차 학습이 자원 제약 및 경계 민감 초음파 분할을 위한 실용적인 전략임을 시사한다. 소스 코드는 https://github.com/jinggqu/ribr 에서 이용할 수 있다.

arXiv:2607.20970v1cs.AI

스칼라에서 시계열로: 시간 변화 볼륨 데이터를 위한 암시적 신경 표현 재검토

From Scalars to Time Series: Rethinking Implicit Neural Representations for Time-Varying Volumetric Data

시간에 따라 변하는 볼륨 데이터에 대한 암시적 신경 표현(INR)은 일반적으로 시공간 좌표에 대한 밀집 샘플링을 사용하여 학습되며, 각 관측값은 공간과 시간의 단일 지점에 해당한다. 이러한 좌표별 공식화는 최적화 과정에서 광범위한 샘플링을 요구하여 높은 계산 비용과 시간 구조의 비효율적 활용으로 이어진다. 본 연구에서는 이러한 설계 선택을 재검토하고, 시간 변화 필드를 학습하는 데 밀집 시공간 샘플링이 필수적이지 않음을 보인다. 대신 데이터를 공간 인덱스가 부여된 시계열의 집합으로 표현하고, 좌표별 스칼라 샘플 대신 각 공간 위치에 대해 시퀀스 수준 감독을 사용하여 INR을 학습한다. 이 재공식화는 밀집 시공간 샘플링의 필요성을 제거하고, 대신 각 공간 위치를 그 전체 시간적 진화로부터 구조적으로 학습한다. 우리는 이 표현이 다양한 기존 INR 아키텍처와 호환되며, 학습 비용을 크게 줄이면서도 재구성 품질을 일관되게 향상시킴을 보여준다. 또한 이 공식화를 전문가 혼합(MoE) 아키텍처와 결합할 수 있음을 보이며, 우리의 MoE 구현은 기본 재공식화와 기존 MoE 기반 INR 방법 모두에 비해 재구성 품질을 더욱 향상시켜, 이질적인 시간 역학 하에서 더 강력한 용량 할당을 제공한다.

arXiv:2607.21485v1cs.CV

효율적 고충실도 표현을 위한 순환 사인파 암시적 신경 표현(INR)

Recurrent Sinusoidal INRs for Efficient High-Fidelity Representation

암시적 신경 표현(INR)에서 조화 스펙트럼 풍부화를 위한 반복적 메커니즘으로서 사인파 순환을 연구한다. 우리의 분석은 사인파 활성화가 조화 선 스펙트럼을 유도하며, 순환 전개가 유효 스펙트럼 지원을 어떻게 풍부하게 하는지에 대한 스펙트럼적 설명을 제공함을 보여준다. 우리는 잠재 표현을 반복적으로 정제하는 공유 사인파 블록으로 이 원리를 구현한다. 피드포워드 INR, 비사인파 순환 변형, 평형 스타일 사인파 모델과 대비하여 결과적인 스펙트럼 거동을 실증적으로 검증한다. 이 분석을 보완하여, 이미지 및 3D 표현 작업 전반에 걸쳐 제안된 아키텍처를 평가한다. RGB 이미지 벤치마크에서 우리 방법은 더 적은 파라미터와 더 적은 최적화 단계로 피드포워드 기준선보다 더 높은 충실도를 달성하며, 초해상도, NeRF, SDF 작업으로도 유리하게 전이된다.

arXiv:2607.04069v1cs.CV

비지도 심장 시네 MRI 재건을 위한 이미지 특징 임베딩 기반 암묵적 신경 표현 향상

Enhancing Implicit Neural Representations with Image Feature Embedding for Unsupervised Cardiac Cine MRI Reconstruction

심장 시네 자기공명영상(MRI)은 방사선과 의사에게 동적 정보를 제공하는 중요한 진단 도구입니다. 획득 속도를 높이기 위해 언더샘플링된 k-공간 데이터가 자주 사용되며, 이 경우 코일 감도 인코딩과 사전 정보를 결합하여 누락된 데이터를 복원하는 재건 방법이 필요합니다. 심층 학습(deep learning) 접근법은 데이터 적응형 사전 정보를 활용하는 방식으로 더 많은 주목을 받고 있습니다. 지도 학습 방식이 일반적인 선택지이지만, 이는 완전히 샘플링된 참조 데이터에 의존하며 이러한 데이터가 항상 확보 가능한 것은 아닙니다. 비지도 방식은 완전히 샘플링된 참조 데이터의 필요성을 제거하므로, 심장 시네 MRI 재건에서 유리할 수 있습니다. 그 중 암묵적 신경 표현(INR)은 단순한 구조와 우수한 재건 품질로 인해 높은 잠재력을 보여 왔습니다. 본 연구에서는 I-FP-INR이라 명명한 이미지 도메인 이중 브랜치 INR 프레임워크를 제안합니다. 이 프레임워크는 기존 INR 설계를 확장하여 추가적인 특징(feature) 처리 브랜치를 도입합니다. 이 설계는 보완적인 특징 임베딩(feature embedding)을 추출하여 전체적인 표현을 향상시키고 재건에 기여하는 것을 목표로 합니다. 공개 데이터셋과 자체 데이터 모두에 대한 광범위한 평가에서, 다양한 시나리오에 걸쳐 강력한 견고성과 함께 기준선(baseline) 방법 대비 재건 품질의 일관된 향상이 확인되었습니다.

arXiv:2607.02166v1cs.LG

Dynamic Neural Graph Encoding of Inference Processes in Deep Weight Space

신경망의 가중치 공간(weight space)을 분석하는 기존 방법들이 추론(inference) 시 계층별 순차 처리 특성을 간과한다는 문제를 해결하기 위해, 동적 그래프(dynamic graph)로 신경망 파라미터를 표현하는 DNG-Encoder를 제안한다. 이를 기반으로 개발한 INR2JLS는 암묵적 신경 표현(INR, Implicit Neural Representation) 분류 과제에서 CIFAR-100-INR 기준 최신 기법 대비 약 10% 향상된 성능을 달성했다.

arXiv:2607.00955v1cs.CV

암묵적 신경 표현을 위한 심장 운동 사전 학습

Learning Cardiac Motion Priors for Implicit Neural Representations

심장 운동 추정을 위한 암묵적 신경 표현(INR)에 학습된 사전(prior)을 적용하는 네 가지 전략—집단 사전, 합의 사전, 오토디코더, 메타러닝—을 UK Biobank 심장 MRI 데이터셋으로 체계적으로 비교한 연구로, 모든 학습된 사전이 무작위 초기화 대비 초기 적응 성능을 크게 향상시켰다. 메타러닝이 전반적으로 가장 우수한 적응 궤적을 유지했으며, 오토디코더는 초기 단계에서 대규모 변형 복원에 강점을 보였다.

arXiv:2607.00138v1cs.CV

MG-SpaIR: Multi-grade Sparse-guided Implicit Representation for Training-Data-Free Image Restoration

MG-SpaIR은 블러, 다운샘플링, 노이즈, 픽셀 손실이 혼합된 단일 관측 이미지를 학습 데이터 없이 복원하기 위해 암묵적 신경 표현(INR) 기반의 다단계 coarse-to-fine 잔차 계층과 명시적 희소 근접 정규화($\ell_0$ 유형)를 결합한 프레임워크다. 혼합 열화 벤치마크 실험에서 Deep Image Prior 등 기존 학습 데이터 불필요 기준 방법들을 일관되게 능가하며 수렴 보장도 이론적으로 확립했다.

arXiv:2606.28163v1eess.IV

극단적 복잡도·품질 스케일 전반의 향상된 신경 비디오 표현 압축

Enhanced Neural Video Representation Compression across Extreme Complexity and Quality Scales

암묵적 신경 표현(INR)은 최근 비디오 압축을 위한 유망한 접근법으로 등장하여, 빠른 디코딩과 함께 경쟁력 있는 레이트-왜곡(rate-distortion) 성능을 제공한다. 그러나 기존 신경 비디오 코덱은 복잡도와 확장성(scalability)의 균형을 맞추기 어렵다. 경량 모델은 서로 다른 비트레이트/품질 수준으로 스케일링할 때 압축 성능 저하를 겪는 경우가 많으며, 고성능 모델은 모델 복잡도가 일반적으로 품질에 따라 증가하기 때문에 확장성이 제한적이다. 다양한 비트레이트 전반에 걸쳐 일관된 복잡도를 유지할 수 있는 통합 아키텍처의 부재는 실제 다양한 배포를 심각하게 제한한다. 이러한 과제를 해결하기 위해, 저희는 다중 고해상도 특징 그리드를 활용하는 경량 INR을 사용하여 임의의 복잡도 수준에서 높은 확장성을 제공하는 새로운 INR 기반 비디오 코덱인 NVRC++를 제안한다. 이는 긴 비디오 시퀀스에 대해 고해상도 그리드에서 효율적인 과적합을 가능하게 하는 최적화 프레임워크와 결합되어, 과도한 계산 또는 메모리 오버헤드 없이 시공간 중복성을 활용한다. 또한 고차원 그리드 매개변수를 효율적으로 압축하기 위해 고급 엔트로피 모델을 설계했다. 그 결과 NVRC++는 네 가지 복잡도 수준(픽셀당 7kMACs부터 360kMACs까지)을 제공하며, 각 수준은 넓은 비트레이트 및 품질 범위를 포괄하면서 실시간 디코딩을 지원한다. 실험 결과 NVRC++는 SOTA INR 기반 비디오 코덱인 NVRC에 비해 최대 7.6배 빠른 디코딩 속도를 제공하면서도 유사한 성능을 달성함을 보여준다.

arXiv:2606.26763v1cs.CV

다차원 데이터를 위한 교정된 조화 중첩 암묵적 신경 표현

Calibrated Harmonic Overlaid Implicit Neural Representations for Multi-Dimensional Data

다차원 데이터 복원용 주기적 암묵적 신경 표현(INR)은 함수 합성으로 깊이가 커질수록 최적화가 불안정해지고 스펙트럼 바이어스(spectrum bias) 완화에도 한계가 있어, CHOIR(Calibrated Harmonic Overlaid Implicit Neural Representation)에서 조화 중첩(Coordinated Harmonic Superposition, CHS)으로 합성 구조를 대체하고 지각 스펙트럼 교정(Perceptual Spectrum Calibration, PSC)으로 자연 이미지의 멱법칙 스펙트럼 사전을 반영한다. 다양한 다차원 데이터 복원 실험에서 최신(state-of-the-art) 방법들보다 우수한 성능을 보였다.