神经傅立叶滤波器组
通过将输入点通过简单的傅里叶特征映射传递,使得多层感知机(MLP)能够学习低维问题领域中的高频函数。研究结果对计算机视觉和图形学领域中使用 MLP 表示复杂 3D 对象和场景的最新进展提供了启示。通过神经切比雪夫核(NTK)文献中的工具,我们展示了标准 MLP 在理论和实践中都无法学习高频的结论。为了克服这种频谱偏差,我们使用傅里叶特征映射将有效的 NTK 转换为带有可调节带宽的平稳核。我们提出了一种选择问题特定的傅里叶特征的方法,极大地提高了 MLP 在与计算机视觉和图形学相关的低维回归任务中的性能。
Jun, 2020
本文提出了一种利用小波变换和可训练掩模方法结合网格神经场的方法来减少计算和存储资源的使用,以实现更加紧凑的场景渲染的方法。实验结果表明,在 2MB 的内存预算下,该方法的性能达到了最优水平。
Dec, 2022
通过对动态模型中的压缩引入的伪影进行深入分析,并利用所得的见解提出一种改进的表示方法,特别是提出了一种根据基于 Fourier 的压缩来适应底层体渲染过程的传递函数特征的新密度编码,从而显著减少动态模型中的伪影。此外,通过对训练数据的扩充来放松压缩的周期性假设。在合成和真实场景的定量和定性评估范围内展示了增强的 Fourier PlenOctrees 的有效性。
Oct, 2023
通过引入名为 MuReNN 的神经音频模型,我们旨在解决深度学习在波形处理中的非参数和参数方法之间的矛盾,MuReNN 通过训练离散小波变换 (DWT) 的八度子带上的独立卷积运算器来拓宽其感受野,将声音数据集的幅度响应与 Gammatone、CQT 和三分之一八度声音滤波器进行知识蒸馏,并在保留集上与现有的方法进行对比,结果表明 MuReNN 在所有三个优化问题上达到了最先进的性能。
Jul, 2023
本文详细介绍了一种使用卷积滤波器的方法,可以通过减少步幅增加时间分辨率,通过增加滤波器增加频率分辨率以提高语音识别精度。我们同时在多个尺度上学习,从而发现更高效的表示方法,并且相对于基于光谱图的同样参数网络训练,内部语音测试集上的词语错误率下降了 20.7%。
Mar, 2016
通过在 AI 和神经架构的最新进展中采用傅里叶变换,本研究报告将探索和回答有关此过程的基本问题。进一步地,我们展示了如何通过学习从头开始的神经架构,为音频信号处理应用程序学习这些内核,并发现神经架构不仅可以学习正弦内核形状,还可以发现各种令人难以置信的信号处理特性,例如窗函数、起始检测器、高通滤波器、低通滤波器、调制等。
Aug, 2023
本文介绍了一种基于频域卷积定理的神经网络用于图像超分辨率,该网络采用 Hartley 变换作为替代傅里叶变换消除复数,具有很高的计算效率,并能适用于在计算机视觉和图像处理等其他领域中通常使用频域表示的问题。实验证明,该网络比文献中其他替代品的速度快 1 到 2 个数量级,性能损失微不足道。
Dec, 2017
本文提出了一种针对心脏磁共振成像的实时视频重建方法,通过使用隐式神经网络表示不断变化的心脏并进行信号重建,该方法达到了与卷积神经网络相当甚至更好的重建质量,但计算成本更高。
May, 2023
本文介绍了一种小波神经网络,该网络能够学习一个专门适合非平稳信号的滤波器组,并提高数字信号处理的可解释性和性能。实验结果表明,该网络可以快速收敛,在噪声数据上具有良好的泛化能力,并优于标准网络架构。
May, 2022