我们介绍了一种新的方法,用于无界现实世界场景的重建和新视角合成。与以前使用体积场、基于网格的模型或离散点云代理的方法不同,我们提出了一种混合场景表示,它在连续的八叉树概率场和多分辨率哈希网格中隐式编码点云。通过这样做,我们结合了两个世界的优势,通过保留优化过程中的有利行为:我们的新颖隐式点云表示和可微分双线性光栅化器可以实现快速渲染,同时保持细节几何细节而不依赖于像运动点云那样的初始先验知识。我们的方法在几个常见基准数据集上实现了最先进的图像质量。此外,我们以交互帧率实现了快速推断,并可以提取显式点云以进一步提高性能。
Mar, 2024
该论文提出了一种新的损失函数用于训练无障碍神经表达模型,该方法受到流体相变理论的启发,并可以生成稠密函数以逼近真实的占用函数和距离函数,并可用于表面重建。
Jun, 2021
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
通过引入排名噪声对比估计(R-NCE)、可学习的负采样器和非对抗联合训练等关键因素,我们证明了高维连续空间中能量模型在训练时并不是不切实际的,我们的训练算法使能量模型作为策略在多模态路径规划和有接触力量推动等难度较高的基准测试中与扩散模型和其他最先进方法相竞争甚至表现更好。
Sep, 2023
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
用深度神经网络中参数对数据进行压缩的隐式神经表示(INR)是一种有前景的数据压缩技术,提出了一种基于专家组混合理论的新型隐式神经压缩方法 MoEC,通过自动分配 INR 给场景中的 3D 点,可以自适应地找到最佳分区并在海量多样的生物医学数据上实现了与现有方法相比的最新研究成果。
Dec, 2023
通过改进范围分析技术,我们能够更准确地估计价值范围,从而更准确地识别等值面单元并在 INR 上实现更高效的等值面提取。
Feb, 2024
通过利用神经网络通过隐式连续函数参数化数据,隐式神经表示(INRs)在场景重建和计算机图形学中显示出显著结果,本论文综述了 INR 模型在医学成像领域的应用,并讨论了 INRs 的优势、局限性以及在医学成像数据中的挑战和考虑因素,同时提出了未来的研究方向和机会。
Jul, 2023
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。
本文提出了一种基于散度导向的形状表示学习方法,不需要输入法向量,并且引入了一种新颖的几何初始化方法,使得 INR 网络在表面重建和形状空间学习任务中取得了比当前最先进的朝向无关方法更好的性能。