ICMLFeb, 2022

PINs: 基于渐进式隐式网络的多尺度神经表示

PDF
TL;DR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。
multi-layer perceptronspositional encodingprogressive positional encodingscene reconstructionhierarchical mlp structure
发现论文，激发创造
  • 用调制周期激活实现可推广的本地功能表示

    本文提出了一种使用双重 Multi-Layer Perceptrons（MLPs）体系结构的信号表示方法，其中合成网络创建了从低维输入到输出域的功能映射，调制网络将目标信号对应的潜在代码映射到调制周期激活的参数，实现了图像、视频和形状的可推广的功能表示，并实现了比单一信号优化的先前工作更高的重建质量。

    Apr, 2021

  • 基于隐式神经表示的紧凑数据表示的改进位置编码

    提出了一种改进了隐式神经表示（INR）的重构质量的新型位置编码方法，该嵌入方法在紧凑数据表示方面具有更大数量的频率基础，并在压缩任务中不引入任何额外复杂度的情况下，在速率失真性能和新视角合成的重构质量方面取得了显著的增益。

    Nov, 2023

  • MRI 并行重建的批量隐式神经表示

    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

  • PIP：位置编码图像先验

    本文提出了一种基于 Fourier 特征和像素级 MLP 的图像先验模型 ——Positional Encoding Image Prior (PIP)，通过在各种图像重建任务中的应用表明它与 Deep Image Prior (DIP) 相当，并且在处理视频时表现出更好的稳定性。

    Nov, 2022

  • SAPE：面向神经优化的自适应渐进编码

    本研究提出了一种空间自适应渐进编码方案，可以增强 MLP 网络对于高频率输入信号的适应能力，该编码方案能够在时间和空间上逐渐提高信号频率的曝光，并通过反馈循环监控进程中的频率暴露，以便信号空间的本地部分在不同的速率下传播变化，实验表明该方案在多个领域和应用中具有优势。

    Apr, 2021

  • 用样条位置编码学习三维隐式带符号距离场

    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。

    Jun, 2021

  • 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

  • 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

  • ACORN：神经场景表示的自适应坐标网络

    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

  • 渐进式神经表征用于序列视频编制

    本文研究了基于 NIR 的神经序列视频表示方法，提出了一种基于彩票票据假设的逐渐增强的神经视频表示模型 PNR，并在 UVG8/17 视频序列基准上展示了其有效性。

    Jun, 2023