学习形状的隐式几何规则化

Feb, 2020

Implicit Geometric Regularization for Learning Shapes

Amos Gropp, Lior Yariv, Niv Haim, Matan Atzmon, Yaron Lipman

TL;DR本文提出了一种从原始数据（即点云）中直接计算高保真度隐式神经表示的新范式，它鼓励神经网络在输入点云上消失并具有单位范数梯度的简单损失函数具有几何正则化特性，利用神经网络表示任务的表面形状的零水平集，避免不良零损失解，实验表明该方法与之前的方法相比具有更高的细节和保真度。

Abstract

Representing shapes as level sets of neural networks has been recently proved to be useful for different shape analysis and reconstruction tasks. So far, such representations were computed using either: (i) pre-c

neural networks shape analysis implicit representations loss functions point clouds

发现论文，激发创造

深度级集：用于三维形状推断的隐式表面表示

通过引入一种变分形状推理方法以及一种新的几何损失函数，我们提出了一种端到端的可训练模型，可以直接预测任意拓扑的隐式表面表示，并演示了该模型在 3D 表面预测任务中的准确性和灵活性。

Jan, 2019

用显式变形场增强隐式神经形状表示

本文探讨一种新方法 -- 变形感知正则化 -- 以更好地学习隐式神经表示形式，使其对隐式表示形式的变形具有可接受的合理性，并演示了其在如柔性变形等问题中的良好效果。

Aug, 2021

通过 Lipschitz 正则化学习平滑神经函数

本文介绍了用于神经隐式场的 Lipschitz 正则项，以促进其对良好变形处理的优化，并在 3D 形状插值、外推以及部分重构相关应用中与现有技术和基准模型相比取得更优的量化和定性结果。

Feb, 2022

无需三维监督学习推断隐式曲面

本研究提出了一种基于射线场探测技术的隐式表面的学习方法，以及一种泛函约束方法，用于无需三维监督的三维形状推断。实验表明，在单视角基础上，使用我们的方法从图像中重建三维模型，无论是定量还是定性上都优于现有技术。

Nov, 2019

一种用于显式流形下神经隐式演化的水平集理论

该论文提出了一种基于神经网络的隐式表面的参数化方法，利用能量最小化问题和水平集理论，实现对隐式表面的形变和后处理操作，这种方法优于已有方法在表面平滑、均值曲率流等方面的表现。

Apr, 2022

深度 ReLU 神经网络中的几何引起的隐式正则化

神经网络的隐式正则化现象与参数的几何特征密切相关，优化过程中更倾向于具有低批次功能维度的参数。网络的输入也对批次功能维度产生影响，输入的变化会改变批次功能维度的上限，称为可计算全功能维度，其估计收敛迅速且保持接近参数个数，可以与局部可辨识性相对应。与训练输入和测试输入相关的批次功能维度则由几何诱导的隐式正则化所影响。

Feb, 2024

将显式和隐式表面表示耦合用于生成式 3D 模型

本论文提出了一种新的神经体系结构来表示 3D 表面，通过引入一些创新的一致性损失来保证两个形状表示方式的协同处理，这种混合架构能够比单一表示网络产生更优的结果。

Jul, 2020

由 Ornstein-Uhlenbeck 过程驱动的深度神经网络的隐式正则化

研究采用随机梯度下降法训练的神经网络，通过对每一次迭代的训练标签进行独立噪声扰动，得到一个隐式正则化项，从而驱动网络向简单模型发展，并以矩阵感知、一维数据下的两层 ReLU 网络训练以及单数据点下的两层 sigmoid 激活网络训练等三个简单场景进行了阐述。

Apr, 2019

深度学习中优化与隐式正则化的几何学

本文通过展示泛化能力不受网络大小控制，而受其他隐含控制方法控制的方式，阐述了优化在深度学习模型泛化中的至关重要性，并通过研究深度网络参数空间的几何和设计一种调整到此空间的最优化算法来改善泛化能力。

May, 2017

控制神经水平集

本文提出了一种简单而可扩展的方法，可以直接控制深度神经网络的级集，并在三个不同的学习任务中进行了测试：提高对未见数据的泛化能力、训练对抗攻击的网络、曲线和曲面重建。

May, 2019