Nov, 2023

TRIDENT：非线性三部曲的隐式神经表示

PDF
TL;DR通过三个非线性特征，TRIDENT 引入了一种新颖的函数作为隐式神经表示，该函数具有对高阶特征的紧凑表示、对频率信息的高效捕获以及信号或图像在有限空间范围内能量集中的能力，经广泛实验表明，该函数优于现有的隐式神经表示函数。
implicit neural representationstridenthigh-order featuresfrequency compactnessspatial compactness
发现论文，激发创造
  • 基于隐式神经表示的形状深度学习

    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

  • 隐式神经表示的结构化词典视角

    该研究提出了一种新的统一视角来理论上分析隐式神经表示，揭示了其与结构化信号词典相似性，这种结构使得 INRs 能够使用深度线性增长的参数表达具有指数级频率支持的信号，并可以通过元学习来重新塑造 NTK，以进一步设计和调整 INRs 的体系结构。

    Dec, 2021

  • HyperTime: 时间序列的隐式神经表示

    本文利用隐式神经表示技术分析了时间序列数据的表示问题，并提出了一种基于傅里叶变换的损失函数来指导网络训练的超网络结构，用于生成时间序列数据。我们证明了这个方法可以用于时间序列数据的扩充与生成，并且在此领域达到了最先进的方法的水平。

    Aug, 2022

  • 广义隐式神经表示法

    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

  • 相变、距离函数和隐式神经表示

    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

  • 复数小波的隐式神经表示和代数

    利用隐式神经表示 (INRs) 以欧几里得空间的多层感知器 (MLP) 对图像进行参数化，有效地在信号中表示了在常规离散表示中看不到的耦合空间和频谱特征，为以前不可能的连续信号处理和机器学习方法铺平了道路。本文研究了使用正弦激活函数的 INRs 在傅里叶理论方面的工作，并展示了与正弦函数相比，使用小波作为激活函数的优势，因为它们能够同时在频率和空间上进行本地化。我们在这项工作中探讨了这种 INRs，并演示了它们如何从 MLP 的第一层中进行粗糙逼近从而解析出信号的高频特征。这导致了多种 INR 架构设计的建议，包括使用复数小波，解耦低通和带通逼近以及基于所需信号奇点的初始化方案。

    Oct, 2023

  • 无序不变的隐式神经表征

    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

  • 大规模多样化数据的多项式隐式神经表示

    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。

    Mar, 2023

  • RHINO：基于哈希的隐式神经表示的正则化

    通过引入连续的解析函数，RHINO 能够以无缺陷的反向传播从网络输出回到输入坐标，从而增强正则化，提高了多种基于哈希的隐式神经表征模型的性能。

    Sep, 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