本研究通过对输入信号进行重新排列,提出了混沌不变的隐式神经表示(DINER)。DINER 通过将哈希表添加到传统的 INR 骨干网络中,将坐标投影到相同的分布中,在减轻频谱偏差的同时,提高了信号建模的表现力。
Apr, 2023
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
INFusion 是一种技术,通过使用预训练的扩散模型,为基于学习的隐式神经表示(INRs)的优化提供正则化,以改善图像重建。2D 实验证明了使用我们提出的扩散正则化改进了 INR 训练的效果,而 3D 实验则证明了在 256x256x80 大小的 3D 矩阵上使用扩散正则化进行 INR 训练的可行性。
Jun, 2024
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。
研究了在非欧几里得域中学习隐式神经表征(INRs)的问题,介绍了一种利用图的谱嵌入来近似节点位置,并在各种真实世界的非欧几里得域的信号上进行了实验。
May, 2022
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
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
通过提出一种称为 High-Order Implicit Neural Representations (HOIN) 的通用框架,通过增强模型的表达能力和减轻频谱偏差,加速和优化逆问题的解决,HOIN 在大多数逆问题中实现了 1 到 3 dB 的改进,从而为逆问题的解决提供了一种新的通用范例。
Apr, 2024
本文提出了 Poly-INR 模型,通过使用多项式函数来消除位置编码的限制,为生成建模任务在复杂领域中采用 INR 模型铺平了道路。Poly-INR 模型在像 ImageNet 这样的大型数据集上进行了定性和定量评估,并表现出与最先进的生成模型可比的性能,可消除卷积、规范化或自注意力层,具有更少的可训练参数。
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