Sep, 2023

基于隐式神经表示的未知动态的潜在同化

PDF
TL;DR这篇论文介绍了一种新的同化框架，称为具有隐性神经表示的潜在同化（LAINR）。通过引入球状隐性神经表示（SINR）和训练神经网络的数据驱动不确定性估计器，LAINR 提高了同化过程的效率，并在准确性和效率方面优于基于自动编码器的现有方法。
data assimilationcomputational costslatent assimilationimplicit neural representationsuncertainty estimator
发现论文，激发创造
  • 神经增量数据同化

    利用深度学习方法，将物理系统建模为一系列由神经网络参数化的粗粒度高斯先验分布，从而定义一个同化算子，并通过与传统变分数据同化方法的比较，在具有稀疏观测的混沌动力学物理系统上展示了其准确性和加速效果。

    Jun, 2024

  • INF: 针对 LiDAR 和相机的隐式神经融合

    基于隐式神经融合的 LiDAR 和相机传感器的传感融合方法，通过训练神经密度场和神经颜色场实现传感数据的融合，同时估计 LiDAR 姿态和优化外部参数，实验表明该方法具有高精度和稳定性。

    Aug, 2023

  • 将数据同化和机器学习相结合，从稀疏嘈杂的观测数据中模拟动力学模型：以 Lorenz 96 模型为例研究

    该研究介绍了一种新的方法，该方法基于数据同化和机器学习的组合，以模拟隐藏的、可能是混沌的动态和预测它们的未来状态。该方法通过迭代应用数据同化步骤和神经网络来更新替代模型，并证明了方法对于低维系统具有成功的协同作用，鼓励进一步研究更复杂的动态系统。

    Jan, 2020

  • 具地区感知和可推广性的隐式神经表示

    提出了一种新的通用的内隐神经表示（INR）框架，结合了 transformer 编码器和可感知局部性的 INR 解码器，显著优于以往的通用的 INR，并验证了局部感知潜变量在图像生成等下游任务中的有效性。

    Oct, 2023

  • 通过自身对隐式神经表示进行正则化

    本文提出了一个称为隐式神经表示正则化器的正则化器 (INRR)，以提高隐式神经表示 (INR) 的泛化能力。 INRR 通过将归一化的 Dirichlet 能量 (DE) 与 INR 集成来改善信号表示中的泛化性能，从而更好地集成了信号的自相似性和 Laplacian 矩阵的光滑度。作者进一步设计了一系列实验来论证 INRR 的性质，如收敛轨迹和多尺度相似性，并表明该方法可以提高其他信号表示方法的性能。

    Mar, 2023

  • 使用隐式神经表示学习具有旋转和翻译不变性的表示

    该文介绍了一种使用隐式神经表示和超网络获取图像的不变语义表示的方法，该方法可以在任意或随机旋转和平移的图像中获取方向不变的语义表示，并与 SCAN 结合，获得最新的无监督聚类结果。

    Apr, 2023

  • 通过专家混合训练构建神经隐式字典

    该研究论文提出了一种能够通过基于坐标的子网络来构建神经隐式词典 (NID) 并代表内在神经表征的框架，通过优化结果能够更快地重建 2D/3D 图像并解决遮挡问题。

    Jul, 2022

  • 多模态环境下的深度生成数据同化

    通过深度生成模型，我们提出了 SLAMS 方法，用于使用实际数据集进行多模态数据同化，将现场天气站数据和卫星图像数据同化以在全球范围内校准垂直温度剖面，这是构建强大的计算模拟器的重要步骤。

    Apr, 2024

  • 研究科学连续领域重建中潜在表示的影响

    学习稀疏采样下的连续可靠物理场表示的挑战及其影响是多学科的。本文提出了一种名为 MMGN（乘法和调制 Gabor 网络）的新模型，采用隐式神经网络。我们设计了额外的研究来增强对模型生成的潜在表示的理解，并采用了解释性方法。初步结果显示潜在表示中融入的上下文信息以及其对模型性能的影响。作为正在进行的工作，我们将继续验证发现并发展新的解释性方法。

    Apr, 2024

  • 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