IJCAIJun, 2021

用样条位置编码学习三维隐式带符号距离场

PDF
TL;DR本研究提出了一种新颖的位置编码方案 (Spline Positional Encoding)，将输入坐标映射到高维空间，以帮助从无组织的 3D 点云中恢复带有细节的几何形状，从而进一步验证了该方法在 3D 形状重建和形状空间学习任务中的优势。同时，在图像重建方面也展示并评估了我们方法的功效。
发现论文，激发创造
  • PINs: 基于渐进式隐式网络的多尺度神经表示

    提出了一种逐渐增加频率编码集的渐进式位置编码方法，构建了一个分层的 MLP 结构，其能够准确地重建具有广泛频谱的场景，并在不需要明确的层级监督下逐步学习场景表示。

    Feb, 2022

  • 关于使用带位置编码的 MLP 学习 SDF 的最佳采样

    通过傅立叶分析的方法，我们提出了一种简单而有效的估算具有随机权重的神经网络的固有频率的方法，并根据此频率的奈奎斯特 - 香农采样定理，确定了适当的训练采样率。通过使用我们的采样策略训练具有位置编码的多层感知机（MLP），我们证明其性能优于现有方法。

    Jan, 2024

  • 神经距离场的零级集编码器

    使用神经网络进行神经形状表示，通过单次前向传递嵌入 3D 形状，无需明确的先验知识，有效地计算边界值 Eikonal 方程的近似解并展示了广泛的应用领域。

    Oct, 2023

  • 广义拉普拉斯位置编码用于图表示学习

    本文通过泛化定义拉普拉斯嵌入的优化问题，提出了一族新的图形式的位置编码，并讨论了一种计算这些位置编码的方法，证实了这种新的位置编码可以提高 MPNN 的表述能力，同时给出了初步的实验结果。

    Oct, 2022

  • PET-NeuS: 神经表面的位置编码三平面

    本文建立新的神经表面重建方法，在 signed distance function 的基础上结合 tri-plane 表示，采用可学习的位置编码和卷积操作，通过实验在标准数据集上大幅提高了表面重建的精度。

    May, 2023

  • 可学习的傅里叶特征用于多维空间位置编码

    本文提出了一种基于可学习的 Fourier 特征的新型位置编码方法，能够优化空间多维位置的表示、提高精度和加速收敛速度。

    Jun, 2021

  • 利用网格细胞进行空间特征分布的多尺度表示学习

    提出了一个名为 Space2Vec 的表示学习模型，用于将地点的绝对位置和空间关系进行编码，并在地理数据和图像分类两个任务上得到了比径向基函数和多层前馈神经网络等传统机器学习方法更好的效果，其特点是具有多尺度表示能力。

    Feb, 2020

  • 坐标量化的神经隐式表示法在多视图重建中的应用

    学习神经隐式表示的研究取得了巨大的进展，该研究介绍了使用量化的坐标来减少优化过程中的不确定性和歧义，通过体渲染使用离散坐标和其位置编码来学习隐式函数，从而在多个视图的光线交汇点上触发更多的多视点一致性约束，提高了推断隐式函数的效率。

    Aug, 2023

  • GridPE: 基于网格细胞启发框架统一位置编码的 Transformer 算法

    通过傅立叶分析和计算神经科学的最新发现，本研究引入一种新颖的位置编码方案，受到网格细胞的启发，利用嵌入到金字塔视觉变换器架构中的 GridPE 技术，提供了一个在任意高维空间中进行位置编码的统一框架，并在转换器的性能上显著提高表现。

    Jun, 2024

  • 利用密集时空位置编码追踪目标

    提出一种新的范式，使用 transformers 对视频中的目标位置进行编码，该模型 DST (position encoding) 以密集的像素方式编码了空间时间位置信息，并将其与变压器结合以进行多目标跟踪。

    Oct, 2022