通向神经隐式表征的泛化
本文提出一种语境化的方法,可以在不需要访问原始训练数据或编码网络的情况下,将专门用于重构的隐式表示的编码用于语义任务,揭示了编码中隐藏的有意义的语义信息,并通过在大型数据集上预训练隐式表示,同时保持在标签数据集上的附加分割和重构的性能,并允许对未见过任务进行微调。
May, 2023
本文提出了一种利用元学习思想和网络压缩技术相结合的方法,以达到在大量数据集上学习稀疏神经表达的目的,并表明与传统的密集神经网络相比,本方法在相同的参数规模下,能够更快地适应一系列未知信号从而使损失更小。
Oct, 2021
该论文提出了一种统一的网络结构,用于编码人类所学习到的显性知识和潜意识下的隐性知识,并能够同时服务于多种任务,并通过在卷积神经网络中引入隐性知识,进一步提高了各个任务的性能表现。
May, 2021
本文提出了一种基于神经隐式模型的 3D 物体重建方法,通过深度编码器作为初始形状潜码的鲁棒优化器,利用规则化测试时间优化潜码,深度鉴别器作为高维形状先验,并使用新颖的课程学习策略,从而更好地捕捉全局细节,在模糊的基准数据集上表现出色,展示了在真实世界数据上超越现有技术的优越性。
Jan, 2021
基于神经隐式表示的 3D 场景分割方法,通过多视图图像特征和语义地图作为输入,采用软投票机制来聚合来自不同视图的二维语义信息,结合视角差异信息预测投票分数,通过可见性模块筛选掉遮挡视图的有害信息,在只有二维语义监督的情况下,能够综合合成语义地图或进行新场景的三维语义分割。
Oct, 2023
本文提出基于卷积的代表性网络 Convolutional Occupancy Networks 用于 3D 重建,实现了在较为复杂的几何情况下的结构化推理及其他先验偏差的融合,通过从噪声点云等数据中重建复杂几何模型且适用于大尺度室内场景。
Mar, 2020
本文旨在研究用结构性表示学习的方法,具体分为解缠结表示与面向对象表示两个方向,以实现从非结构化数据中提取潜在结构信息的目的,同时还探讨了该方法对预训练表示和下游任务泛化能力的提升以及其对于大规模数据的高效表征学习的应用。
Apr, 2023
基于隐式神经表示的 MRI 重建方法通过引入嵌入尺度的编码器和多层感知机 (MLP) 实现了对完全采样的 MRI 图像进行任意尺度的重建,相比其他重建方法,在公开 MRI 数据集上表现出更好的性能。
Sep, 2023
我们提出了一种新颖的神经隐式建模方法,利用多种正则化策略在仅依赖图像的情况下实现大型室内环境的更好重建,通过稀疏但准确的深度先验将场景锚定到初始模型,并引入一种密集但精度较低的深度先验,灵活性足以让模型从中分离出来改善估计的几何建模,并提出了一种新颖的自监督策略来规范估计的表面法线,最后,可学习的曝光补偿方案适应复杂的光照条件。实验结果表明,我们的方法在具有挑战性的室内场景中产生了最先进的 3D 重建结果。
Sep, 2023
本研究证明了权重编码神经隐式方法可以作为第一类三维形状表示,并且通过引入一系列技术贡献来提高重建准确性、收敛性和鲁棒性,而且相比于之前的神经隐式方法,具有更好的鲁棒性,可扩展性和性能表现。
Sep, 2020