時間とアンサンブルにまたがる科学信号の高速な償却（アモーティゼーション）フィッティング：移転可能なニューラルフィールドによる手法
arXiv cs.LG / 2026/4/23
📰 ニュースDeveloper Stack & InfrastructureIdeas & Deep AnalysisModels & Research
要点
- 本研究は、暗黙的ニューラル表現（ニューラルフィールド／INR）を拡張し、時空間かつ多変量の科学信号を扱うことで、収束の遅さやスケーリング課題を緩和することを目指します。
- 移転可能な特徴を用いて、INRの表現を時間方向およびアンサンブル実行間で再利用し、償却（コスト共有）的に効率良く表現する手法を提示します。
- 合成データでの変換（幾何変換や局所的摂動）だけでなく、乱流、流体—材料衝突、天体物理といった高忠実度の複数領域で検証し、再構成の忠実度が向上することを示しています。
- 密度勾配や渦度といった派生の物理・幾何量の精度も改善され、目標となる再構成品質に到達するまでの反復回数が最大で1桁（オーダー）減少します。
- さらに、序盤の再構成品質が複数dB改善し（場合によっては10dB超）、勾配ベースの物理計測の精度が一貫して向上することが報告されています。
