ECCVAug, 2022

学习近周期模式的连续隐式表示

PDF
TL;DR通过使用基于坐标的 MLP 神经网络进行单个图像优化的方法，以及设计输入特征扭曲模块和周期性引导补丁损失函数来处理全局一致性和本地变化，同时引入周期性提议模块来解决周期性检测错误，从而学习出了一种神经隐式表示近周期图案的方法，并在 500 多个包括建筑立面、饰带、墙纸、地面和蒙德里安图案的单平面和多平面场景中证明了其有效性。
near-periodic patternsnpp representationneural implicit representationperiodicity detection errorsperiodicity proposal module
发现论文，激发创造
  • MPPN: 多分辨率周期模式网络用于长期时间序列预测

    本文提出了一种新颖的深度学习网络结构 MPPN，用于长期时间序列预测，该结构采用多分辨率语义单元、多周期模式挖掘和通道自适应模块来捕捉时间序列的本质模式，并提出了基于熵的评估方法来提高预测精度。在九个真实世界基准测试中，实验结果表明，MPPN 显著优于现有的基于 Transformer、分解和采样的长期时间序列预测方法。

    Jun, 2023

  • 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

  • 可平铺材质纹理的隐式神经表示

    我们探索正弦神经网络来表示周期性平铺纹理。我们的方法利用傅里叶级数，通过将正弦神经网络的第一层初始化为具有周期 P 的整数频率。我们证明了正弦层的组合仅生成具有周期 P 的整数频率。因此，我们的网络学习了周期模式的连续表示，无需插值即可在任何空间坐标处直接评估。为了强制生成的模式具有可平铺性，我们向损失函数中添加了基于泊松方程的正则化项。我们提出的神经隐式表示方法紧凑且能够在多个细节级别上以高视觉保真度和锐度高效地重建高分辨率纹理。我们在抗锯齿表面领域展示了我们方法的应用。

    Feb, 2024

  • 基于示例的模式合成与隐式周期场网络

    该论文提出了一种基于样本的视觉模式综合框架，使用隐式网络算法 IPFN 来生成满足可扩展性、多样性和真实性的新型图案。

    Apr, 2022

  • 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

  • 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

  • 利用补丁变形改进神经隐式曲面几何

    研究了神经含式表面在多视图 3D 重建中的应用，提出了一种新的添加光照一致性项的神经渲染优化方法 NeuralWarp，并经过了 DTU 和 EPFL 测试，证明其性能优于目前的无监督隐式表面重建技术。

    Dec, 2021

  • 学习图像变形的局部隐式傅里叶表示

    本文提出了一种基于本地纹理估计器和隐式神经表示的图像变形方法，该方法通过局部纹理和坐标变换的局部可变雅各比矩阵来预测变形图像的傅里叶响应，同时也成功实现了对不同变换的泛化处理。

    Jul, 2022

  • 学习用于隐式神经表征的空间拼贴傅里叶基

    通过引入可学习的空间掩码，将不同频率的傅里叶基函数有效地分配给各个区域，从而实现傅里叶拼贴，并能对复杂信号进行准确表示，该方法在各种 INR 任务中的实验表明，相较于现有基线模型，其重构质量更高，如图像拟合 PSNR 提高了 3dB 以上，3D 重建达到了 98.81 的 IoU 和 0.0011 的 Chamfer 距离。

    Dec, 2023

  • 用 Fourier-CPPN 进行图像合成

    本论文提出了 Fourier-CPPNs（F-CPPNs），并将其用于创造性的目的，例如神经美术。F-CPPNs 以像素输出的频率信息为特征，明确地模型化频率信息，捕获 DC 分量以外的频率，为图像合成提供了改进的视觉细节。

    Sep, 2019