Nov, 2023

ECRF: 基于频域优化的熵约束神经辐射场压缩

PDF
TL;DR提出了一种基于频域熵建模的压缩模型，通过离散余弦变换（DCT）对特征网格进行压缩，进一步使用熵参数化技术提高稀疏性，实现轻量级压缩编解码，从而使得体积辐射场方法更易于在实际应用中使用。实验结果表明，所提出的频域熵模型在多个数据集上达到了卓越的压缩性能。
发现论文，激发创造
  • 神经 NeRF 压缩

    该论文提出了一种针对基于网格的 NeRF 模型的效率压缩方法，使用非线性变换编码范式和神经压缩对模型的特征网格进行压缩，引入重要性加权的失真率目标和利用掩蔽机制的稀疏熵模型以利用潜在特征网格的空间不均匀性，实验证明该方法在基于网格的 NeRF 压缩效率和重建质量方面优于现有工作。

    Jun, 2024

  • NeRFCodec：神经特征压缩与神经辐射场相结合的高效内存场景表示

    通过使用非线性转换、量化和熵编码实现记忆高效的场景表示，我们提出了 NeRFCodec ，这是一个端到端的 NeRF 压缩框架，它利用预训练的神经 2D 图像编解码器对特征进行压缩，从而使得我们能在 0.5 MB 的内存预算下实现高质量的新视角合成。

    Apr, 2024

  • FPO++：通过分析和增强傅里叶八叉树有效编码和渲染动态神经辐射场

    通过对动态模型中的压缩引入的伪影进行深入分析，并利用所得的见解提出一种改进的表示方法，特别是提出了一种根据基于 Fourier 的压缩来适应底层体渲染过程的传递函数特征的新密度编码，从而显著减少动态模型中的伪影。此外，通过对训练数据的扩充来放松压缩的周期性假设。在合成和真实场景的定量和定性评估范围内展示了增强的 Fourier PlenOctrees 的有效性。

    Oct, 2023

  • 神经图像压缩中的频率分离特征

    基于特征级频率分离和基于 Transformer 的分析 / 合成变换的增强自注意力计算的神经图像压缩网络，不仅优于手工编码的编解码器，还优于基于神经网络的编解码器。

    Aug, 2023

  • 具有神经码本的紧凑实时辐射场

    本文提出了一种使用压缩方法从紧凑的角度追求较小体积的神经辐射场的简单而有效的框架，该方法利用网格模型固有的代表特性，开发了非一致压缩方法以显着减少模型复杂性，并引入了名为 “神经码书” 的新颖参数化模块，通过快速优化来更好地编码每个场景模型的高频细节，从而实现对网格模型存储量的超过 40 倍的减少，在具有竞争性的渲染质量和 180 fps 的实时渲染速度的同时，相对于实时渲染方法而言具有存储成本的显著优势。

    May, 2023

  • JointRF：动态神经辐射场表示与压缩的端到端联合优化

    我们提出了一种新的端到端联合优化方案，名为 JointRF，用于动态 NeRF 的表示和压缩，通过使用紧凑的残余特征网格和系数特征网格来处理大运动，同时减少时间冗余，并引入一个时空冗余压缩子网络以进一步减少时空冗余。大量实验证明，JointRF 在各种数据集上实现了卓越的压缩性能。

    May, 2024

  • SPC-NeRF：基于体素辐射场空间预测压缩

    该论文提出了一种新颖的框架 SPC-NeRF，应用空间预测编码在显式体素网格（EVG）压缩中，以实现更好的压缩性能和 32％的比特节省。

    Feb, 2024

  • 可变比特率神经场

    本研究提出了一种使用字典方法进行特征网格压缩的方法，可以将其内存消耗降低 100 倍，同时实现了多分辨率表示，其优化方法可以作为离散神经表示的端到端训练解决方案，适用于无法进行直接监督并具有动态拓扑和结构的空间。

    Jun, 2022

  • TensoRF: 张量辐射场

    TensoRF 采用 4D 张量模型和基于 CP 分解和 VM 分解等技术去重构辐射场，实验结果表明在提高渲染质量的同时保持较小模型大小和更短的重构时间。

    Mar, 2022

  • Simple-RF: 用更简单的解决方案规范稀疏输入辐射场

    通过设计较为简化的能力增强模型，我们观察到较好的深度监督效果，进而提高稀疏视图下的主要辐射场的视图合成性能。

    Apr, 2024