Jul, 2023

大规模数据可视化的自适应多网格场景表示网络

PDF
TL;DR提出了一种自适应放置的多网格场景表示网络（APMGSRN），通过域分解训练和推断技术以及多 GPU 系统上的加速并行训练，改善了科学数据的重建精度和网络资源分配。
scene representation networkscompressionscientific dataneural volume renderingapmgsrn
发现论文，激发创造
  • 场景表示网络：连续的三维结构感知神经场景表示

    提出了一种连续三维结构感知场景表征模型 Scene Representation Networks (SRNs)，能够通过不需要深度或形状信息的二维图像及其相机姿态进行端到端训练， 并在视角合成、少样本重建、形状外插及表现插值等任务中展示出潜力。

    Jun, 2019

  • DistGrid：具有分布式多分辨率哈希网格的可扩展场景重建

    基于多分辨率哈希格方法的可扩展场景重建方法，通过划分大型场景、消除背景 NeRF，并利用分割体积渲染方法处理跨边界射线，实现了更高质量、更可扩展的场景重建。

    May, 2024

  • MG-GNN: 多重网格图神经网络用于多层次域分解方法的学习

    本文提出了一种新颖的 GNN 结构，称为多级网格图神经网络 (MG-GNN)，用于学习两级 DDM 中的最优化参数，并使用一种新的无监督损失函数对其进行训练。我们展示了 MG-GNN 在优化方面优于其他流行的层次图网络架构，并且证明了我们提出的损失函数对于实现这种改进的性能是至关重要的。

    Jan, 2023

  • SMGRL: 可扩展的多分辨率图表示学习

    我们提出了一个可应用于任何现有 GCN 模型的可扩展多分辨率图表示学习 (SMGRL) 框架，通过学习多分辨率节点嵌入有效地捕获长和短距离依赖，并将其聚合以产生捕获高质量节点嵌入的优化算法，同时提高分类准确度，而不会产生高计算成本。

    Jan, 2022

  • ASSR-NeRF: 在体素网格上实现任意尺度超分辨率以高质量重建辐射场

    提出了一种名为 Arbitrary-Scale Super-Resolution NeRF (ASSR-NeRF) 的新型框架，通过使用 VoxelGridSR 模型在优化的体积上直接进行 3D 超分辨率 (SR) 操作，从而实现超分辨率新视角合成 (SRNVS)。通过在多样化场景上进行训练，可以确保模型的泛化能力，在训练过程中，对于使用低分辨率视角的未见场景，可以直接应用 VoxelGridSR 来进一步优化体积，并实现多视角一致的超分辨率 (SR)。实验证明，所提出的方法在 SRNVS 上取得了显着的性能提升。

    Jun, 2024

  • DSGNN: 一种用于区域空气质量估计的双视图超网格感知图神经网络

    提出了一种双视图超网格感知图神经网络（DSGNN）用于区域空气质量估计，通过对远程网格区域的空间依赖性进行建模，实现了在无空气质量监测站的情况下估计目标区域的空气质量。

    Apr, 2024

  • 多层面生成神经辐射用于三维感知图像生成

    该研究提出了一种名为 GMNR 的多平面神经辐亮度模型，其包含一个用于学习视角相关信息的新型 α 引导视角依赖表示模块（α-VdR 模块）和一个视角一致性损失，可以高效地生成视角一致的 3D 感知高分辨率图像。

    Apr, 2023

  • SGNet: 基于梯度频率感知的结构引导网络用于深度图超分辨率

    我们提出了结构引导网络 (SGNet)，该网络利用梯度和频率域捕捉高频结构，包括梯度校准模块 (GCM) 和频率感知模块 (FAM)，通过实验证明我们的 SGNet 在真实和合成数据集上具有优越性能。

    Dec, 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

  • 基于混合金字塔图网络的车辆再识别中的空间重要性探索

    该论文提出了一种基于空间图注意力的新型车辆重新识别方法，它能够精确探索特征图的空间重要性，进而达到明显的性能提升。高效的网络设计可以使其适用于各种规模的特征图，并且在三个大规模数据库方面优于现有的车辆重新识别方法。

    May, 2020