我们提出了一种新的无标签条件的扩散模型，通过神经语意图像合成从预训练基础模型提取的神经布局作为条件来实现细粒度的空间控制，实验结果表明，通过神经语意图像合成合成的图片在语义分类、实例分离和物体方向上比较传统的无标签条件选项更具优势，同时，我们还展示了通过神经布局条件生成的图片能够有效地用于训练各种感知任务。

Jul, 2024

使用像素到像素映射的多层感知器，我们提出了一种条件神经场与移位调制的模型，用于多序列磁共振成像的图像翻译，该方法在视觉和定量上表现出色，能够克服传统卷积神经网络模型中常见的光谱偏差问题。

Sep, 2023

引入了一种名为 FiLM 的神经网络通用条件方法，FiLM 层通过基于条件信息的简单，特征 - wise 仿射变换影响神经网络计算，该方法对于视觉推理任务特别有效，在 CLEVR 基准测试中减少了一半的错误率，FiLM 层总体上能够很好的适应少样例情况下的新数据以及零样例的情况。

Sep, 2017

本研究提出了一种新的条件锥形神经计算机断层成像 (CondCBNT) 方法，使用分区域的神经调制场 (NMF) 来同步训练全新的 NF，使其性能得到了显著的提高。

Jul, 2023

我们提出了基于交叉注意力变换器的等变神经场，其中神经场被条件变量以及几何条件变量所控制，从而实现了从潜变量到场的等变解码。我们的等变方法具有可调整性，当神经场发生变换时，潜变量也相应地表示变换，反之亦然。这种等变关系确保了潜变量能够 (1) 忠实地表示几何模式，从而实现潜空间中的几何推理，(2) 在空间上相似的模式之间共享权重，从而实现对数据集的高效学习。通过分类实验验证了这些主要特性，并与其他非等变的神经场方法进行了对比。我们进一步通过展示独特的局部场编辑属性验证了等变神经场的潜在能力。

Jun, 2024

提出了一种神经解码的表示学习框架，通过微调预训练特征向量以更好地与人脑中的视觉刺激的神经表示对齐，从而提高大脑解码算法的性能。

Mar, 2024

本文提出了 nf2vec 框架，用于在单次推断中为输入的神经场生成紧凑的潜在表示，展示了将其嵌入到深度学习流程中并成功解决各种任务的有效性。

Dec, 2023

提出了一种利用 MLPs 和 grid representations 的新方法，通过 Coordinate-Aware Modulation (CAM) 将 grid representations 注入 MLP 的中间特征来增强神经表示的性能和学习稳定性。实验证明 CAM 在多种信号上提高了性能，并在动态场景的新视角合成任务中取得了最先进的性能，同时具有最少的参数和快速的训练速度，并且在静态场景下以 1MB 内存获得了最佳性能，相比使用神经场的最佳视频压缩方法有很大的优势。

Nov, 2023

本文介绍了一种基于 Boundary Neural Field (BNF) 的全局能量模型，该模型将 FCN 预测与边界提示相结合，以提高数据集的语义分段一致性和物体定位。实验证明，这种基于边界的全局优化方法在定量和定性方面均比现有方法更优越。

Nov, 2015

通过研究数据变换对神经场训练速度的影响，特别关注像素位置置换如何影响 SGD 的收敛速度，我们发现随机置换像素位置可以显著加快训练速度。分析表明，随机像素置换消除了易拟合的模式，促进了早期的优化，但阻碍了细节的捕捉。

Nov, 2023