CVPRNov, 2022

TINC：基于树结构的隐式神经压缩

PDF
TL;DR本文提出了一种基于树形结构的隐式神经网络压缩技术（TINC），利用多层感知机（MLPs）来适应局部区域，组织成树形结构来共享参数，以提高数据压缩效率并消除局部和非局部冗余。实验表明 TINC 在 INR 数据压缩方面具有很高的灵活性和可扩展性，并比商业工具和其他深度学习方法表现更好。
implicit neural representationdata compression techniquetree-structured implicit neural compressionmulti-layer perceptronsparameter sharing scheme
发现论文，激发创造
  • 元学习稀疏压缩网络

    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

  • 混合专家隐式神经压缩模型

    用深度神经网络中参数对数据进行压缩的隐式神经表示（INR）是一种有前景的数据压缩技术，提出了一种基于专家组混合理论的新型隐式神经压缩方法 MoEC，通过自动分配 INR 给场景中的 3D 点，可以自适应地找到最佳分区并在海量多样的生物医学数据上实现了与现有方法相比的最新研究成果。

    Dec, 2023

  • 图像压缩的隐式神经表示

    本文从图像压缩的角度出发，探索了 INRs 的作用，提出了基于 INRs 的全面压缩流水线并进行了广泛的消融研究，结果表明，该方法表现优异，且与专门为图像设计的常用压缩算法竞争力相当，接近基于率失真自编码器的最新学习方法。

    Dec, 2021

  • 具地区感知和可推广性的隐式神经表示

    提出了一种新的通用的内隐神经表示（INR）框架，结合了 transformer 编码器和可感知局部性的 INR 解码器，显著优于以往的通用的 INR，并验证了局部感知潜变量在图像生成等下游任务中的有效性。

    Oct, 2023

  • 隐式神经表示的无模态限制变分压缩

    介绍了一种基于内涵神经表征（INR）的模态不可知神经压缩算法，使用变分压缩的方法优化了 INR 的表征能力，其在多种模态的数据集中表现出色，且在 JPEG 2000、MP3 和 AVC/HEVC 编码技术等领域实现了优于其他 INR 技术的性能。

    Jan, 2023

  • HyperINR: 一种快速预测的超网络，通过知识蒸馏实现隐式神经表示

    本文引入 HyperINR，一种新颖的超网络架构，通过利用多分辨率哈希编码单元的集合，直接预测一个紧凑的 INR 的权重，从而提高了 INR 的推理性能和支持交互式虚拟现实。

    Apr, 2023

  • UniCompress：基于知识蒸馏的多数据医学图像压缩增强

    通过使用一种名为 ``UniCompress'' 的新方法，我们扩展了医学图像压缩领域的 Implicit Neural Representation（INR）网络的压缩能力，该方法首次使用一个 INR 网络压缩多个医学数据块。我们的研究引入了一种新的基于波变换和量化的技术，该技术将频域信息作为先验输入到 INR 网络中，并简化了复杂模型知识以提高压缩比。在 CT 和电子显微镜（EM）数据集的大量测试中，我们证明了 UniCompress 在复杂和高压缩场景中的性能优于传统 INR 方法和商业压缩解决方案。值得注意的是，与现有的 INR 技术相比，UniCompress 在压缩速度上实现了 4 到 5 倍的增加，标志着医学图像压缩领域的重大进展。代码将公开使用。

    May, 2024

  • Rapid-INR: 使用隐式神经表示进行高效的无 CPU DNN 训练

    本文提出了一种名为 Rapid-INR 的创新方法，利用 INR 对图像进行编码和压缩，从而加速计算机视觉任务中的神经网络训练；该方法可以将整个数据集直接存储在 GPU 上，并提出了迭代动态剪枝和逐层量化来进一步增强压缩效果，并在图像分类任务中证明了其可行性。

    Jun, 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

  • HyperTime: 时间序列的隐式神经表示

    本文利用隐式神经表示技术分析了时间序列数据的表示问题，并提出了一种基于傅里叶变换的损失函数来指导网络训练的超网络结构，用于生成时间序列数据。我们证明了这个方法可以用于时间序列数据的扩充与生成，并且在此领域达到了最先进的方法的水平。

    Aug, 2022