Aug, 2023

FFEINR: 流特征增强的隐式神经表示用于时空超分辨率

PDF
TL;DR该论文提出了一种基于特征增强的隐式神经表示方法（FFEINR）来进行流场数据的时空超分辨率处理，通过引入特征增强来完善流场的上下文信息，通过设置不同的超参数，实验结果表明，FFEINR 方法相比三线性插值方法取得了显著改善的效果。
large-scale numerical simulationssuper-resolutionimplicit neural representationflow field dataffeinr
发现论文，激发创造
  • 利用隐式神经网络从稀疏观测中持续场重构

    本研究采用隐式神经表示方法，从稀疏的传感器数据中可靠地重构物理场。通过将时空变化分解为空间和时间分量，并利用因变量分离技术从稀疏采样的不规则数据点中学习相关基函数，从而发展出数据的连续表示。在实验评估中，该模型在模拟数据和卫星海面温度数据集上表现出优越的重构质量，超过了最近的隐式神经表示方法。

    Jan, 2024

  • VideoINR：学习视频隐式神经表示实现连续的时空超分辨率

    本研究提出了 Video Implicit Neural Representation (VideoINR) 的框架，支持任意空间分辨率和帧率的 STVSR，相比之前的方法在超出训练分布范围的数据上表现出更好的性能，这对提高视频质量有着很大的实际意义。

    Jun, 2022

  • 利用物理知识驱动的卷积神经网络进行流体流动的超分辨率和去噪，不需要高分辨率标签

    利用卷积神经网络实现流场高分辨率重构，不需要高分辨率标签，能够提高空间分辨率并降低流场数据的噪声水平。

    Nov, 2020

  • 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

  • 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

  • 基于傅里叶增强的隐式神经融合网络用于多光谱与高光谱图像融合

    该论文介绍了一种特定设计用于多光谱和高光谱图像融合任务的傅里叶增强的隐式神经融合网络，通过创新地提出了一种空间和频率隐式融合函数（Spa-Fre IFF）来捕捉高频信息并扩展感受野，并发明了一种新的解码器，使用复数 Gabor 小波激活函数，称为空间频率交互解码器（SFID），以增强隐式神经表示特征的交互作用。在两个基准多光谱和高光谱图像融合数据集上的实验证明了该方法在视觉上和定量上的最先进表现，同时消融研究证明了所提出的贡献。

    Apr, 2024

  • 集成神经表示网络

    本文提出了一种新的 INR 子优化集成架构来解决现有的训练过程冗长和计算资源占用高问题，该架构将表示任务分解成几个独立子网络完成，并建立了优化算法以找到子网络的最优结构。仿真结果表明，该架构具有更少的浮点运算次数和更短的训练时间，并在峰值信噪比方面具有比同类产品更好的性能。

    Oct, 2021

  • NERV++：一种增强的隐式神经视频表示方法

    通过引入神经代表视频的 NeRV++，作为 NeRV 解码器架构的一种增强改进方法，使用可分离卷积残差块（SCRBs）和双线性插值跳跃层等特性，大幅提高了 INR-based 视频编解码的效果和表示能力，实现了与自动编码器基于视频编码相竞争的结果，迈向了 INR-based 视频压缩研究的重大进展。

    Feb, 2024

  • 单图像超分辨率轻量级特征融合网络

    该研究提出一种轻量级特征融合网络 (LFFN)，利用主轴块和 softmax 特征融合模块 (SFFM) 来实现全面探索多尺度上下文信息、极大地降低网络参数而最大化单幅图像超分辨率 (SISR) 结果。

    Feb, 2019

  • IFR-Net：用于压缩感知 MRI 的迭代特征改进网络

    为提高高加速因子下的压缩感知 MRI 图像重构的结构损失，本研究提出了一种基于迭代特征精化模型 (IFR-CS) 的监督模型驱动网络 (IFR-Net)，其具有快速重构速度和保持结构信息的优点，同时探索了基于卷积神经网络 (CNN) 的稀疏性增强去噪模块。

    Sep, 2019