BACON: 多尺度场景表示的带限坐标网络
通过引入跳连接和新的初始化方案,我们提出了一种新的坐标网络架构和训练方案,实现了对学习重建的频率支持的细粒度控制,并在多尺度优化的背景下解决了粗到中等估计的问题,该方法在单粒子冷冻电镜重建的实验中,取得了与最先进技术相媲美的高分辨率多尺度结构。
Jun, 2022
提出一种新的混合隐式 - 显式网络架构和训练策略,采用多尺度块坐标分解,并在训练期间自适应分配资源,以适应信号的本地复杂性,可成功将吉卜赛像素图像提高至接近 40dB 峰值信噪比,以及比以前技术更快,更好地表示 3D 形状。
May, 2021
利用傅立叶网络替代资源密集型的 U-Net 风格扩张路径,我们提出了 Fourier-Net,通过学习位于有限带宽傅立叶域中的位移场的低维表示,然后通过模型驱动的解码器将其转换为空间域中的全分辨率位移场,达到减少计算成本、提高注册性能的效果。
Jul, 2023
研究介绍了一种名为 Single impliCit neurAl Network (SCAN) 的工具,它是基于精心设计的坐标神经网络,用于提升相位恢复性能和精度,在高清晰度成像领域和相干衍射成像中具有重要应用价值。SCAN 通过无监督的方式将目标坐标与其振幅和相位相连接,绕过了常规迭代方法的局限性,如高计算负荷和噪声干扰,并将预测振幅和相位都纳入损失函数,提高了恢复的准确性。综合测试结果证实了 SCAN 相对于传统方法和其他深度学习模型在准确性和噪声鲁棒性方面的优越性,同时还展示了 SCAN 在斑图成像设置中的出色表现。
Nov, 2023
本文研究神经网络在解决大规模复杂图形结构问题方面的性能瓶颈和深层网络优势的不足,通过对现有几种图卷积网络的分析,提出了两种可用于深度扩展的新型网络结构,以更好地利用多尺度信息来进行节点分类。
Jun, 2019
本文提出了一种利用二阶优化方法显著减少坐标网络训练时间并维护其可压缩性的解决方案,并在各种信号模态(如音频、图像、视频、形状重构和神经辐射场)上证明了其有效性。
May, 2023
本研究使用卷积神经网络 (CNN) 设计高精度低复杂度信号检测器,通过利用通道矩阵的带状结构来提高性能,该 CNN 检测器在不同系统尺寸上表现出良好的自适应性并克服了深度学习中普遍存在的维数灾难问题。实验结果表明,与传统的深度神经网络和现有的基于模型的检测器相比,该 CNN 检测器在精度和计算时间上均表现出更好的性能,适用于具有大尺寸或宽频带的系统,并且可以轻松地扩展到近带线性系统。
Sep, 2018
本文提出了一种数据驱动的神经元分配方法,以自适应地在深度神经网络的不同构建块中汇总多尺度信息。通过使用基于堆栈的采样、卷积和上采样操作生成每个尺度的特征映射,探索神经元分配方法,对计算复杂度进行了大规模的实验测试,并成功地应用于图像分类和目标检测任务,在与 ResNet 和其变体的对比中, ScaleNet 能够获得更好的性能。
Apr, 2019