本文介绍了一种新的数据表示方法 —— 隐式神经表示法,经过结构优化后,可以对比 JPEG 等传统压缩方法得到更好的压缩效果,并提出了 Meta-Learning 算法在压缩和学习隐式神经表示方面的改进方法,实现了在不同数据模态下的卓越表现。
May, 2022
该论文讨论了神经隐式形状表示的基本概念,比传统的离散表示具有更好的记忆效率和更高的空间分辨率,并提出了一种基于梯度的元学习算法以提高形状空间的泛化能力,从而实现从部分或噪声观测数据中进行的几何重建。该方法在测试时间推断上比自动编码器的方法快一个数量级,同时超过基于编码器 - 解码器的池化网络集合编码器方法。
Jun, 2020
通过多任务学习,训练神经隐式表示以在重建、分类和语义分割任务上实现功能丰富的编码。
Jan, 2021
研究了在非欧几里得域中学习隐式神经表征(INRs)的问题,介绍了一种利用图的谱嵌入来近似节点位置,并在各种真实世界的非欧几里得域的信号上进行了实验。
本文提出使用稀疏单词表示来压缩神经语言模型的参数量,以减少计算资源需求并提高性能表现。
Oct, 2016
本文研究确定在增强学习中控制的稀疏表示。通过对比标准神经网络表示和具有稀疏性质的神经网络表示,在经典控制域中递增地学习控制策略的表现,证明了稀疏表示更加有效,因为其提供了局部性,避免了灾难性的干扰,特别是保持了稳定的值来引导学习。同时,称之为 “分布式正则化器” 的方法可以鼓励隐藏节点的激活匹配分布,从而产生稀疏的激活状态。该方法提出了一种简单而有效的方式来获取稀疏表示。
Nov, 2018
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
该研究论文提出了一种能够通过基于坐标的子网络来构建神经隐式词典 (NID) 并代表内在神经表征的框架,通过优化结果能够更快地重建 2D/3D 图像并解决遮挡问题。
Jul, 2022
我们提出了一种新颖的量子广义傅立叶神经网络(QIREN),其通过理论分析证明了比经典的傅立叶神经网络具有量子优势,并通过信号表示、图像超分辨率和图像生成任务的实验证明了 QIREN 相对于最先进模型的卓越性能。我们的工作不仅将量子优势融入了隐性神经表示中,还揭示了量子神经网络的一个有前景的应用方向。
Jun, 2024
本文介绍了一种基于神经网络的连续场景表征学习方法,通过经验回放解决连续场景表征学习中遗忘和准确性的平衡问题。实验证明本方法能够连续地学习和表示场景几何特征。
Aug, 2021