ICMLJun, 2023

Siamese SIREN：使用隐式神经表示的音频压缩

PDF
TL;DR该研究介绍了一种新的基于 SIREN 架构的方法 ——Siamese SIREN。实验结果表明，与其他 INR 架构相比，Siamese SIREN 在利用更少的网络参数的情况下可以实现较高的音频重建保真度。
implicit neural representationsinrsaudio compressionsiamese sirennetwork parameters
发现论文，激发创造
  • HyperSound: 使用超网络生成音频信号的隐式神经表示

    本研究提出了一种基于超网络元学习的方法，用于生成未训练音频信号的隐式神经表示（INRs），并展示了其重建声波信号的优秀性能。

    Nov, 2022

  • 超网构建音频的隐式神经表示

    HyperSound 是第一种利用超网络进行元学习的方法，用于生成适合于音频样本的 INRs，以解决现有方法难以应用于音频的局限性，提供了一种可行的代替深度神经网络中当前用于音频处理的声谱图表示方法，并且重新构建的音频样本质量可与其他最先进的模型相媲美。

    Feb, 2023

  • 一种新的体数据隐式神经表示

    提出了一种新的隐式神经表示压缩方法，利用 Lanczos 降采样方案、SIREN 深度网络和 SRDenseNet 高分辨率方案，实现了高压缩比和良好的图像重建质量，同时降低了训练时间和 GPU 内存成本。

    Mar, 2024

  • 基于隐式神经表示的形状深度学习

    本文介绍了 Implicit Neural Representations (INRs) 的概念，并提出了 inr2vec 框架作为一种有效的在深度学习流程中解决 INRs 表示的下游任务的方法。

    Feb, 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

  • Conv-INR: 多模视觉信号的卷积隐式神经表示

    本文提出了 Conv-INR，这是第一个完全基于卷积的 INR 模型，相较于现有的基于多层感知机的 INR 模型，Conv-INR 具有更好的表示能力和可训练性，同时能够有效地学习邻近坐标和高频组成部分。通过广泛的实验验证了 Conv-INR 在图像拟合、CT/MRI 重建和新视角合成等四个任务中明显优于现有的基于多层感知机的 INR 模型，而且在不引入额外推理成本的情况下，还提出了三种进一步增强 vanilla Conv-INR 性能的重新参数化方法。

    Jun, 2024

  • 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

  • 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

  • 通过隐式表示实现的灵活跨模态隐写术

    INRSteg 是基于一种新颖的数据形式 Implicit Neural Representations (INR) 的创新无损隐写术框架，该框架适用于有效隐藏多个数据而不改变原始 INR，确保高质量的隐写数据，并能在图像、音频、视频和 3D 形状等多种模态中实现未开发的跨模态隐写术，与先前的内模态隐写方法相比，取得了最先进的性能。

    Dec, 2023

  • INCODE: 具有先验知识嵌入的隐式神经调节

    INCODE 是一种利用深度先验知识增强 INR 中正弦基准激活函数的控制的新方法，它通过调整激活函数的关键参数来优化表示过程，不仅在表示方面出色，而且在处理音频、图像、3D 形状重建以及神经辐射场（NeRFs）和逆问题（包括降噪、超分辨率、修复和 CT 重建）等复杂任务方面具有突出表现，从而拓宽了信号表示的范围。

    Oct, 2023