MENU
  1. ホーム
  2. Science / DeepTech
  3. フーリエ変換とは？基礎・歴史から最先端の生成AIとの関わりまで一挙解説

フーリエ変換とは？基礎・歴史から最先端の生成AIとの関わりまで一挙解説

Science / DeepTech
数学
fourier-math

現代のデジタル社会において、音楽、画像、通信、医療、さらには天気予報や最先端の生成AI（人工知能）に至るまで、あらゆる場所で目に見えない形で活躍している数学的基盤が存在します 1。それが「フーリエ変換（Fourier Transform）」です 1。この変換技術は、19世紀初頭にフランスの数学者ジョゼフ・フーリエが熱伝導の研究の中で見出した理論を発端としています 2。本報告書では、フーリエ変換の直感的な理解から始まり、その歴史的な発展プロセス、古典的なデジタル技術への応用、そしてディープラーニングや最新の生成AIにおける革新的な役割まで、主に海外の先端研究文献に基づき、具体的な実例を交えて詳しく解説します 1。

目次

1. フーリエ変換の直感的な理解と基本概念

数学の教科書において、フーリエ変換は難解な複素数や積分の数式によって表現されることが多く、初学者にとって参入障壁が高いものと捉えられがちです 4。しかし、その本質的なアイデアは非常にシンプルです 4。

フーリエ変換 -スムージーとレシピ-

フーリエ変換の仕組みを非専門家向けに一般化して説明する際によく用いられる比喩が、「スムージーとレシピ」の関係です 4。目の前に様々な果物が完全に混ざり合った一杯のスムージーがあるとき、フーリエ変換はそれを特殊なフィルターに通すことで、「イチゴが何グラム、バナナが何グラム、牛乳が何ミリリットル」といった元の原材料のリスト（レシピ）を特定する処理に相当します 4。逆に、特定されたレシピに基づいて原材料を再びブレンダーで混ぜ合わせ、元のスムージーに戻す処理を「逆フーリエ変換（Inverse Fourier Transform）」と呼びます 4。混ざり合った状態のままで味の微調整や分析を行うことは困難ですが、レシピに分解されていれば、不要な味を取り除いたり、特定の成分を強調したりすることが容易になります 4。

fourier-mechanism

フーリエ変換 -プリズム-

もう一つの一般的な比喩として、「数学的なプリズム」が挙げられます 10。太陽の白い光をプリズムに通すと、波長（周波数）の違いによって赤から紫までの虹色の光に分散されます 10。フーリエ変換はこれと同じ役割を不規則な信号に対して果たします 10。ピアノで複数の鍵盤を同時に叩いて作られた複雑な和音（不規則な音波）をフーリエ変換のプリズムに通すと、それぞれの音（純粋な正弦波）とその強さが個別に抽出されます 10。

この変換プロセスが前提としているのは、「あらゆる複雑な信号は、異なる速度で回転する複数の円運動（サイン波とコサイン波）の足し合わせとして分解・表現できる」という強力な世界観です 4。古典的な三角関数としてのサイン波の分解は、この円運動の特殊な一形態にすぎません 5。2次元の複素数空間において一定の速度で回転するベクトルを想定し、その軌跡の足し合わせ（先端同士を繋ぎ合わせるイメージ）を考えることで、どのような複雑な幾何学的形状や信号であっても描画・表現することが可能になります 5。

これらの回転運動を決定づけるパラメータは、振幅（円の半径）、周波数（回転する速度）、および位相（回転の開始角度）の3つに集約されます 4。フーリエ変換とは、時間とともに変化する信号（時間領域）を、これら3つの要素からなる周波数ごとのエネルギー分布（周波数領域）へとマッピングする処理に他なリません 1。

fourier-basics

2. フーリエ変換の歴史的変遷と計算技術の進化

フーリエ解析の誕生から現代の高速な計算技術に至るまでの歴史は、数学の厳密化と実用化の双方が絡み合うダイナミックな発展の軌跡です 5。

ジョゼフ・フーリエが熱の移動現象、すなわち固体中の熱伝導を数学的に研究し始めた1800年ごろ、彼は物質の性質に依存する熱拡散率 を用いた偏微分方程式（熱方程式）に到達しました 2。この方程式を解くにあたり、初期の温度分布が単純なコサイン波であれば、時間経過とともに高周波な成分ほど急激に平滑化（減衰）されるという美しい解の性質が明らかになりました 11。フーリエは、極めて不連続で不自然な初期温度分布（例えば、段差のあるステップ関数など）であっても、無限個のサイン波の和として表現できるという驚くべき仮説を提唱しました 11。当時の数学界をリードしていたラプラスやラグランジュらは、このような不連続な関数を滑らかな三角関数だけで完璧に構築できるというアイデアをにわかには信じられず、フーリエの初期の論文を却下しました 4。しかし、1822年に彼が執筆した『熱の解析的理論』は、熱現象を解析する手法を確立すると同時に、工学や物理学のあらゆる分野に適用可能な金字塔となりました 3。

その後、1829年にペーター・グスタフ・ディリクレが、区分的に単調で不連続点が有限個しかない関数においてフーリエ級数が確実に収束することを厳密に証明し、理論に確固たる基礎を与えました 12。19世紀後半にはベルンハルト・リーマンが積分の概念を拡張し、さらに広いクラスの関数に対してフーリエ級数を定義できるようにしました 12。さらに20世紀に入ると、ノーバート・ウィーナーが一般化調和解析によって非周期的な信号への適用を可能にし、ローラン・シュワルツが超関数論を1940年代後半に確立したことで、フーリエ変換の数学的体系は完全に完成されました 12。

理論面での完成と並行して、デジタル時代の幕開けにおいて決定的な役割を果たしたのが、1965年にジェームズ・クーリーとジョン・テューキーが発表した「高速フーリエ変換（FFT：Fast Fourier Transform）」アルゴリズムです 12。コンピュータでデジタル信号を処理する際、離散的なデータポイントの集合に対して行われる「離散フーリエ変換（DFT）」の数式は次のように定義されます 1。

fourier-transform

ここで、 はサンプリングされたデータ点の総数、 は時間 における信号の振幅、 は周波数、そして は周波数 における振幅と位相の情報を表す複素数です 1。また、（数式上では ）は時計回りに回転する複素平面上の単位円の軌跡を示しています 4。この式を定義通り愚直に計算すると、計算量はデータの2乗に比例する となり、データ量が大きくなるとコンピュータの処理が追いつかなくなります 12。FFTは、分割統治法を用いてこの計算量を へと劇的に削減しました 12。このアルゴリズムの登場こそが、音声認識や画像処理などのデジタル信号処理をリアルタイムで動作させることを可能にし、現代のIT革命を引き起こす源流となりました 1。

3. デジタル社会の基盤となる古典的応用実例

フーリエ変換およびFFTは、現代のデジタル生活に不可欠なファイル圧縮や通信技術、さらには医療診断に至るまで幅広く埋め込まれています 1。これらが実社会においてどのように応用されているか、代表的な実例を以下の表に整理して示します 1。

応用技術フーリエ変換（および派生技術）の具体的な役割実社会における直接的な価値とインパクト
MP3音声圧縮 10音声信号を短時間セグメントに分割して周波数成分を特定し、人間の耳に聞こえない不要な帯域（極端な高音など）を間引いて保存します。オリジナルの音声波形（WAVなど）と比較して、音質を維持したままデータサイズを10分の1程度に削減します。
JPEG画像圧縮 10画像を8×8ピクセルのブロックに分割し、離散コサイン変換（DCT）によって周波数空間に変換、視覚的に目立たない高周波数を間引きます。写真の鮮明さを保ちながら画像ファイルを劇的に軽量化し、ウェブページの高速表示やデジタル保存効率を高めます。
Shazam（楽曲検索） 10マイクから拾った楽曲音声を短いチャンクに分解してFFTを実行し、周波数のピーク位置から独自の「音の指紋」を生成します。周囲の騒音や雑音が混ざった音声データからでも、データベース内のオリジナル楽曲と瞬時に照合して曲名を特定します。
MRI（磁気共鳴画像法） 14人体から放出される核磁気共鳴の信号を周波数空間（k空間）の情報として収集し、逆FFTを適用して空間画像に変換します。人体を傷つけることなく、臓器や組織の鮮明な3次元断層画像を再構成し、精緻な医療診断を可能にします。
アート鑑定と材料分析 10分光法などを用いて塗料等の化学物質から得られる振動スペクトルを、フーリエ変換を介して固有の分子パターンとして解読します。画家ジャクソン・ポロックの絵画に使用された顔料の化学組成を分析するなど、科学的データに基づく美術品の贋作判定に貢献します。

例えば、MRIにおいては、取得された生の信号は完全に周波数情報として存在しており、そのデータを二次元または三次元の逆フーリエ変換に通すことで、初めて画像へと復元されます 14。この際、電子機器の受信ノイズやフィルタの形状を評価するために、「ウィーナースペクトル」や「ノイズパワースペクトル（NPS）」といった空間周波数に基づく解析が、診断画像のクオリティ維持において欠かせないプロセスとなっています 18。

4. 最新AI・ディープラーニングにおけるフーリエ変換の進化

近年のディープラーニングの爆発的な発展に伴い、フーリエ変換は単なる前処理用のツールを超え、ニューラルネットワークのアーキテクチャ自体に直接組み込まれる形で驚異的なパラダイムシフトを引き起こしています 15。

ディープラーニングが抱える「スペクトルバイアス」の解決

一般的な多層パーセプトロン（MLP）やニューラルネットワークには、「スペクトルバイアス（Spectral Bias）」と呼ばれる内在的な性質が存在します 21。これは、ネットワークが学習を進める際、目標とする関数の「低周波成分（緩やかな変化や大まかな構造）」を優先的にかつ迅速に学習する一方で、「高周波成分（微細なディテールや鋭いエッジ、急激な変化）」の学習には膨大な時間がかかる、あるいは完全に平滑化されてボケてしまうという現象です 21。

これを打破するために開発されたのが「フーリエ特徴（Fourier Features）を用いた位置エンコーディング」です 21。これは、低次元の座標入力 を、以下のような多重のサイン・コサイン関数（フーリエ特徴マップ）を介して高次元のスペクトル表現 へとあらかじめ変換してからネットワークに入力するアプローチです 21。

fourier-features

ここで、周波数ベクトル は多変量ガウス分布などからサンプリングされるか、あるいは決定論的に対数スケールで配置されます 21。この単純なフーリエ特徴マッピングを通すことにより、無限幅のMLPにおける有効な「ニューラルタンジェントカーネル（NTK）」が、調整可能な帯域幅を持つ定常カーネルへと変化し、高周波の固有値が引き上げられます 21。その結果、高周波成分の学習スピードが劇的に加速され、NeRF（Neural Radiance Fields）をはじめとする3Dシーン再構成やコンピュータビジョンにおいて、ボケのない極めてシャープで精細な画像のレンダリングが可能となりました 21。

Googleの「FNet」：Transformerの計算ボトルネックをFFTで代替

自然言語処理や画像生成をリードするTransformerモデルの自己注意機構（Self-Attention）は、入力トークン数 に対して の二次関数的な計算複雑度とメモリ消費を強いるため、巨大なデータの処理において重大な足かせとなっていました 15。

Googleの研究チームが提案した「FNet」は、Transformerエンコーダー内の自己注意機構のサブレイヤーを、学習可能なパラメータを一切持たない「標準的な2次元フーリエ変換（FFT）」へと完全に置き換えた画期的なアーキテクチャです 15。

具体的には、入力されたトークン行列に対し、文章の長さであるシーケンス次元と、特徴量を表す非表示次元（Hidden Dimension）の双方に対して1次元のフーリエ変換（FFT）を実行し、その複素数の結果から実数部のみを取り出して後続のフィードフォワード層に渡します 25。フーリエ変換は、入力全体のすべての要素を周波数成分へと混ぜ合わせる性質（非パラメータ化トークンミキシング）を持つため、自己注意機構が行っている大域的な情報共有をパラメータ学習なしで代替することができます 15。

その結果、FNetはGPU上において従来のBERTの約7倍に達する圧倒的なスピードで事前学習を実行し、TPU上でも処理効率が大幅に向上しました 15。これほどの高速化を達成しながら、自然言語処理のベンチマーク（GLUE）においてBERTの92%〜97%という遜色のない精度を維持できることが実証されており、一部のレイヤーのみをAttentionに戻すハイブリッド設計ではほぼ同等の精度を保ちつつトレーニング効率を極大化できます 15。

立教大学「DFFormer」：高解像度画像認識への応用

コンピュータビジョンの分野でも、Attention機構によるメモリ肥大化を避けるためにFFTを利用した「グローバルフィルタ（Global Filter）」が注目を集めていましたが、従来のグローバルフィルタはデータの内容に関わらずあらかじめ固定されたパラメータを周波数空間で掛け合わせるため、入力データに適応して重みを変化させる動的な性能に欠け、最高水準の精度を達成できないという課題がありました 26。

立教大学大学院の立浪祐貴氏と瀧雅人准教授らの研究チームは、このグローバルフィルタと注意機構の決定的な隔たりに着目し、入力画像データに基づいて周波数領域のフィルタを動的に生成する「動的フィルタ（Dynamic Filter）」技術を開発しました 26。

開発された画像認識モデル「DFFormer」および畳み込み層を併用した「CDFFormer」は、データの特性に合わせた適応的な空間情報のミキシングを、FFTベースの極めて穏やかな計算負荷（画像の高解像度化に伴うメモリ爆発を防ぐ特性）で実現します 26。これは、これまで莫大だった大規模画像処理モデルの計算インフラや経済的負担を大幅に削減し、エッジデバイスや一般的なハードウェア上での動作効率を飛躍的に向上させる極めて実用性の高いイノベーションとして国際学会「AAAI-24」でも高く評価されました 26。

物理と気象予測を革命する「フーリエニューラルオペレーター（FNO）」

流体の挙動や気候のダイナミクスを支配する偏微分方程式（PDE）をAIに学習させる領域において、フーリエニューラルオペレーター（FNO：Fourier Neural Operator）は業界標準としての地位を確立しています 6。

FNOは、入力された物理状態をFFTによって周波数空間に変換し、低周波数の主要モード（ モードまで）のみを残して高周波の雑音や局所成分をカットします 6。周波数空間上で学習可能な複素数重みテンソル を掛け合わせたのち、逆フーリエ変換（IFFT）で元の空間に戻し、最後に非線形活性化関数を適用してモード間の複雑なカップリングを段階的にモデル化します 6。このプロセスを数学的に定式化すると以下のようになります 6。

fourier-neural

ここで、 および はそれぞれフーリエ変換と逆フーリエ変換を示し、 は周波数ドメインの変数を表します 6。

NVIDIAのグローバルデータ駆動気象予測AI「FourCastNet」は、このFNOを発展させたAFNO（Adaptive FNO）や球面幾何学の対称性を尊重したSFNO（Spherical FNO）をコアアーキテクチャに据えています 35。SFNOは、デカルト平面での単純なFFTではなく、球面調和関数変換（SHT）を利用して地球規模のシミュレーションにおける北極・南極付近の幾何学的歪みやアーティファクトを排除し、最大1年間にわたる驚異的に安定した大気シミュレーションを可能にしました 35。

従来のスーパーコンピュータによる物理ベースの数値予報（IFSモデルなど）が数時間を要する規模の全球気象予測（約30km四方の高解像度）を、FourCastNetはわずか2秒未満という数万倍も圧倒的な速度で完了させます 35。さらに、ModAFNO（変調AFNO）を適用することにより、時間解像度が粗いデータ（例えば6時間ごと）から正確な1時間ごとの全球気象状態を再構成する時間補間モデルなど、気候変動分析における応用範囲も大きく拡大しています 36。

5. 最先端生成AI（拡散モデル）とフーリエ周波数解析の融合技術

画像生成や時系列データの合成を牽引する生成AI「拡散モデル（Diffusion Models）」の高度化においても、フーリエ周波数空間における制御が、生成品質の限界を打ち破るための先端アプローチとして研究の最重要トレンドとなっています 40。

典型的なアプローチの数々とその画期的な技術メカニズムを次の表に比較・整理します 6。

生成AI技術名 / フレームワークフーリエ変換を用いたアプローチの技術メカニズム得られる効果と生成画像の品質向上
DiffFNO（超解像） 44拡散プロセスの精密化において、高周波数を強調する「Mode Rebalancing（モード再調整）」を備えたWFNO（重み付きFNO）を搭載します 6。モード切り捨てによる高周波のボケを回避し、エッジやテクスチャを鮮明に再構成、PSNR評価を2〜4 dB向上させます 6。
FDEDiff（時系列生成） 40時系列シミュレーションにおいて、データを低周波（季節性・トレンド）と高周波（細かい時間変動）の2ステージに明示的に分解してモデル化します 40。拡散プロセス初期における微細な高周波パターンの消失を防ぎ、極めて現実的で多様性に富む合成時系列データを生成します 40。
Fourier Diffusion Models（FDM） 41加法的な一様白雑音に代わり、線形シフト不変（LSI）システムと「ノイズパワースペクトル（NPS）」を考慮した周波数依存の拡散率を採用します 41。ぼやけた観測画像に対し、測定機器の変調伝達関数（MTF）に整合した効率的な初期化を行い、少ない逆推論ステップで画像を修復します 41。
Latent-Fourier Diffusion Model（LFDM） 42画像をエンコーダーで潜在表現に変換後、2D-FFTにより振幅（主に輝度・照度を担う）と位相（輪郭などの細部を担う）の成分に分離します 42。拡散プロセスを「位相成分」のみに限定して適用することで、露出アンバランス等の乱れを排除しつつ、シャープなディテールのみを再構築します 42。

例えば、超解像タスクにおける「DiffFNO」では、通常のFNOのように単純に高周波数をゼロアウト（切り捨て）して平滑化してしまうのを防ぐため、次のような学習可能な重み付け関数 を導入した「WFNO（Weighted FNO）」を組み込んでいます 6。

diff-fno

この数式において、 は周波数成分のマグニチュードであり、学習可能な係数 と指数 を通じて、高周波な成分に対してより大きな重みが適応的に割り当てられます 6。これにより、低周波に偏りがちだったスペクトルバイアスが緩和され、細かな布地の質感や文字などの精細なテクスチャを驚くべき正確さで復元できるようになりました 6。

さらに、アテンションベースのニューラルオペレーター（AttnNO）から得られる空間特徴と、WFNOから得られるスペクトル（周波数）特徴を、適応的に補完し合う「Gated Fusion Mechanism（GFM：ゲート付き融合機構）」を併用することで、大域的な一貫性と微細なディテールの双方が完璧に調和した画像を瞬時に生成できる仕組みを実現しています 6。

6. フーリエ変換の未来展望と結論

19世紀にジョゼフ・フーリエが熱伝導の研究から提唱した「複雑な信号を複数の円運動の重ね合わせとして分解する」という独創的なアイデアは、200年の時を超えて、デジタル社会の通信・メディア圧縮技術から、さらには最先端の生成AIやディープラーニングのブレイクスルーを牽引する主要なドライバーへと進化を遂げました 4。

近年の生成AI開発は、ニューラルネットワークの規模拡大（スケールアップ）によるパワーゲームの様相を呈してきましたが、その裏では計算効率の限界、物理的インフラコストの肥大化、そしてスペクトルバイアスによる表現力の頭打ちといった大きな技術的ハードルが立ちはだかっています 15。フーリエ空間（周波数領域）と実空間（時間・空間領域）を効率的に行き来するアプローチは、Attention機構を不要にするFNetのようなアーキテクチャや、地球規模の物理シミュレーションを2秒で終わらせるFNOの驚異的な性能を通じて、省エネルギーかつ高効率な次世代AIの道標を示しています 15。

今後、AI技術がエッジデバイスや自動運転、リアルタイムの医療・気象シミュレーション、さらには量子コンピューティングといった複雑かつリソースの限られた領域へと進出していくにあたり、高速フーリエ変換を基盤とする「周波数領域でのニューラル演算」はさらに重要性を増していくでしょう 1。時空に広がる複雑な世界を周波数のレシピとして解きほぐすフーリエの魔法は、これからも世界のテクノロジーを拡張し、新たな知性のフロンティアを切り拓き続けると考えられます 4。

引用文献

  1. Applications of Fourier Series in Signal & Image Processing System – IJFMR, 5月 18, 2026にアクセス、 https://www.ijfmr.com/papers/2025/5/56520.pdf
  2. 保型形式とフーリエ展開 – NTT技術ジャーナル, 5月 18, 2026にアクセス、 https://journal.ntt.co.jp/article/27018
  3. フーリエが拓いた関数の新たな世界 —単純な三角関数で複雑な波を表す— | サイエンス＆テクノロジー | 研究・社会連携 | 京都産業大学, 5月 18, 2026にアクセス、 https://www.kyoto-su.ac.jp/project/st/st07_01.html
  4. An Interactive Guide To The Fourier Transform – BetterExplained, 5月 18, 2026にアクセス、 https://betterexplained.com/articles/an-interactive-guide-to-the-fourier-transform/
  5. Fourier Explained: [3Blue1Brown] Style! – Hackaday, 5月 18, 2026にアクセス、 https://hackaday.com/2019/07/13/fourier-explained-3blue1brown-style/
  6. DiffFNO: Diffusion Fourier Neural Operator | CVF Open Access, 5月 18, 2026にアクセス、 https://openaccess.thecvf.com/content/CVPR2025/papers/Liu_DiffFNO_Diffusion_Fourier_Neural_Operator_CVPR_2025_paper.pdf
  7. The glorious Fourier Transform. Finally. Thanks 3Blue1Brown! – EEVblog, 5月 18, 2026にアクセス、 https://www.eevblog.com/forum/chat/the-glorious-fourier-transform-finally-thanks-3blue1brown!/
  8. Fourier Transform – BetterExplained, 5月 18, 2026にアクセス、 https://betterexplained.com/topics/fourier-transform/
  9. Understanding Audio data, Fourier Transform, FFT and Spectrogram features for a Speech Recognition System – Drops of AI, 5月 18, 2026にアクセス、 https://dropsofai.com/understanding-audio-data-fourier-transform-fft-and-spectrogram-features-for-a-speech-recognition-system/
  10. The Math Trick Behind MP3s, JPEGs, and Homer Simpson’s Face …, 5月 18, 2026にアクセス、 https://nautil.us/the-math-trick-behind-mp3s-jpegs-and-homer-simpsons-face-234629
  11. But what is a Fourier series? From heat flow to… – 3Blue1Brown, 5月 18, 2026にアクセス、 https://www.3blue1brown.com/lessons/fourier-series/
  12. フーリエ変換 – Wikipedia, 5月 18, 2026にアクセス、 https://ja.wikipedia.org/wiki/%E3%83%95%E3%83%BC%E3%83%AA%E3%82%A8%E5%A4%89%E6%8F%9B
  13. フーリエ解析（1822年）｜sgk – note, 5月 18, 2026にアクセス、 https://note.com/sgk2005/n/n50f8a931a0b4
  14. Fast Fourier Transform Applications to Know for Intro to Scientific Computing – Fiveable, 5月 18, 2026にアクセス、 https://fiveable.me/lists/fast-fourier-transform-applications
  15. Attention: Fourier transforms – Optalysys, 5月 18, 2026にアクセス、 https://optalysys.com/resource/attention-fourier-transforms/
  16. フーリエ変換の完全ガイド：歴史から最新の応用まで | Reinforz.ai, 5月 18, 2026にアクセス、 https://ai.reinforz.co.jp/836
  17. 高速フーリエ変換（Fast Fourier Transform：FFT）とは？-AI関連の用語集【クラベルAI】-, 5月 18, 2026にアクセス、 https://kuraberuai.fioriera.co.jp/ai-glossary/fastfouriertransformfft/
  18. Noise and filtration in magnetic resonance imaging – PMC – NIH, 5月 18, 2026にアクセス、 https://pmc.ncbi.nlm.nih.gov/articles/PMC2169200/
  19. ウェーブレット変換の最新動向：AIと統合した次世代の信号解析手法 | Reinforz.ai, 5月 18, 2026にアクセス、 https://ai.reinforz.co.jp/838
  20. How the Fourier Neural Operator Learns to Solve PDEs — and Where It Falls Short, 5月 18, 2026にアクセス、 https://www.physicsx.ai/newsroom/how-the-fourier-neural-operator-learns-to-solve-pdes—-and-where-it-falls-short
  21. Fourier Feature Positional Encoding – Emergent Mind, 5月 18, 2026にアクセス、 https://www.emergentmind.com/topics/positional-encoding-using-fourier-features
  22. Robustifying Fourier Features Embeddings for Implicit Neural Representations – arXiv, 5月 18, 2026にアクセス、 https://arxiv.org/html/2502.05482v1
  23. Fourier Features Let Networks Learn High Frequency Functions in Low Dimensional Domains, 5月 18, 2026にアクセス、 https://papers.neurips.cc/paper_files/paper/2020/file/55053683268957697aa39fba6f231c68-Paper.pdf
  24. Fourier Features Let Networks Learn High Frequency Functions in Low Dimensional Domains – arXiv, 5月 18, 2026にアクセス、 https://arxiv.org/pdf/2006.10739
  25. Google Replaces BERT Self-Attention with Fourier Transform: 92% Accuracy, 7 Times Faster on GPUs – Synced Review, 5月 18, 2026にアクセス、 https://syncedreview.com/2021/05/14/deepmind-podracer-tpu-based-rl-frameworks-deliver-exceptional-performance-at-low-cost-19/
  26. Study results accepted by AAAI-24, a top international conference on AIRikkyo team develops new image recognition method using Fourier transform | Rikkyo University, 5月 18, 2026にアクセス、 https://english.rikkyo.ac.jp/news/2024/dn4ddm0000006hpv.html
  27. google-research/f_net/README.md at master – GitHub, 5月 18, 2026にアクセス、 https://github.com/google-research/google-research/blob/master/f_net/README.md
  28. FNet – Hugging Face, 5月 18, 2026にアクセス、 https://huggingface.co/docs/transformers/model_doc/fnet
  29. FNet: Mixing Tokens with Fourier Transforms – Google Research, 5月 18, 2026にアクセス、 https://research.google/pubs/fnet-mixing-tokens-with-fourier-transforms/
  30. 立教大、フーリエ変換を用いて大量のメモリが不要な画像認識の新手法を開発, 5月 18, 2026にアクセス、 https://news.mynavi.jp/techplus/article/20240207-2879063/
  31. ＡＩの国際会議「ＡＡＡＩ－２４」に立教大の研究が採択 フーリエ変換を使った新たな画像認識 | 官庁通信デジタル, 5月 18, 2026にアクセス、 https://bunkyodezi.com/bunkyodezi/8460/
  32. AI（人工知能）の世界最高峰の国際会議「AAAI-24」に採択～フーリエ変換を使った新しい画像認識手法を開発～ | 立教大学, 5月 18, 2026にアクセス、 https://www.rikkyo.ac.jp/news/2024/02/mknpps000002fi1i.html
  33. 立教大学大学院、新しい画像認識手法がAI世界最高峰の国際会議「AAAI-24」に採択 | ICT教育ニュース, 5月 18, 2026にアクセス、 https://ict-enews.net/2024/02/09rikkyo/
  34. Yuki Tatsunami’s research works – ResearchGate, 5月 18, 2026にアクセス、 https://www.researchgate.net/scientific-contributions/Yuki-Tatsunami-2199453683
  35. Modeling Earth’s Atmosphere with Spherical Fourier Neural Operators – NVIDIA Developer, 5月 18, 2026にアクセス、 https://developer.nvidia.com/blog/modeling-earths-atmosphere-with-spherical-fourier-neural-operators/
  36. Modulated Adaptive Fourier Neural Operators for Temporal Interpolation of Weather Forecasts – arXiv, 5月 18, 2026にアクセス、 https://arxiv.org/html/2410.18904v1
  37. FOURCASTNET:ADATA-DRIVEN MODEL FOR HIGH- RESOLUTION WEATHER FORECASTS USING ADAPTIVE FOURIER NEURAL OPERATORS, 5月 18, 2026にアクセス、 https://ai4earthscience.github.io/iclr-2022-workshop/camera_ready/iclr_2022_ai4ess_25.pdf
  38. Adaptive Fourier Neural Operator (AFNO) for weather forecasting – NVIDIA Docs, 5月 18, 2026にアクセス、 https://docs.nvidia.com/deeplearning/modulus/modulus-core-v040/examples/weather/fcn_afno/readme.html
  39. Adaptive Fourier Neural Operator (AFNO) for weather forecasting – NVIDIA Documentation, 5月 18, 2026にアクセス、 https://docs.nvidia.com/physicsnemo/latest/physicsnemo/examples/weather/fcn_afno/README.html
  40. FREQUENCY DECOMPOSITION AND ENHANCEMENT FOR TIME SERIES GENERATION USING DIFFUSION MODELS – OpenReview, 5月 18, 2026にアクセス、 https://openreview.net/pdf?id=qHfPIVFGxs
  41. Fourier Diffusion Models: A Method to Control MTF and NPS in Score-Based Stochastic Image Generation – PMC, 5月 18, 2026にアクセス、 https://pmc.ncbi.nlm.nih.gov/articles/PMC12619680/
  42. Incorporating Fourier Transformation With Diffusion Models for Low-Light Image Enhancement – IEEE Xplore, 5月 18, 2026にアクセス、 https://ieeexplore.ieee.org/iel8/97/10802935/11020748.pdf
  43. A Fourier Space Perspective on Diffusion Models – arXiv, 5月 18, 2026にアクセス、 https://arxiv.org/html/2505.11278v1
  44. DiffFNO: Diffusion Fourier Neural Operator – arXiv, 5月 18, 2026にアクセス、 https://arxiv.org/html/2411.09911v1
  45. DiffFNO: Diffusion Fourier Neural Operator – GitHub Pages, 5月 18, 2026にアクセス、 https://jasonliu2024.github.io/difffno-diffusion-fourier-neural-operator/
Science / DeepTech
数学
よかったらシェアしてね！
  • URLをコピーしました！
  • URLをコピーしました！

関連記事

目次