Nov, 2023

神经场的坐标感知调制

PDF
TL;DR提出了一种利用 MLPs 和 grid representations 的新方法，通过 Coordinate-Aware Modulation (CAM) 将 grid representations 注入 MLP 的中间特征来增强神经表示的性能和学习稳定性。实验证明 CAM 在多种信号上提高了性能，并在动态场景的新视角合成任务中取得了最先进的性能，同时具有最少的参数和快速的训练速度，并且在静态场景下以 1MB 内存获得了最佳性能，相比使用神经场的最佳视频压缩方法有很大的优势。
发现论文，激发创造
  • 紧凑型神经辐射场的遮罩小波表示

    本文提出了一种利用小波变换和可训练掩模方法结合网格神经场的方法来减少计算和存储资源的使用，以实现更加紧凑的场景渲染的方法。实验结果表明，在 2MB 的内存预算下，该方法的性能达到了最优水平。

    Dec, 2022

  • 稀疏输入的神经辉度场的协调网络与张量特征的协同集成提升

    本研究提出一种将多平面表达与基于坐标的网络协同整合的方法，在处理稀疏输入的静态和动态神经辐射场时，实现了与显式编码相媲美的效果，且参数更少。

    May, 2024

  • CoNeS: 带有位移调制的条件神经场用于多序列磁共振图像翻译

    使用像素到像素映射的多层感知器，我们提出了一种条件神经场与移位调制的模型，用于多序列磁共振成像的图像翻译，该方法在视觉和定量上表现出色，能够克服传统卷积神经网络模型中常见的光谱偏差问题。

    Sep, 2023

  • ACORN：神经场景表示的自适应坐标网络

    提出一种新的混合隐式 - 显式网络架构和训练策略，采用多尺度块坐标分解，并在训练期间自适应分配资源，以适应信号的本地复杂性，可成功将吉卜赛像素图像提高至接近 40dB 峰值信噪比，以及比以前技术更快，更好地表示 3D 形状。

    May, 2021

  • TaylorGrid: 通过直接基于泰勒展开的网格优化实现快速高质量隐式场学习

    通过在二维或三维网格上直接进行 Taylor 展开优化，提出了一种名为 TaylorGrid 的新型隐式场表示，旨在实现快速高质量的隐式场学习，并可以适用于 SDF 学习或 NeRF 等不同的隐式场学习任务。通过广泛的定量和定性比较，TaylorGrid 在快速高质量的隐式场学习方面展现出了线性网格和神经体素的优势。

    Feb, 2024

  • 神经傅立叶滤波器组

    该文提出了一种利用神经场和傅里叶特征编码对信号进行空间和频率分解的方法，并通过多层感知机逐层累积高频部分，以形成最终输出的有效高精度重建方法，试验表明该方法在二维图像拟合、三维形状重建和神经辐射场等多个任务上效果优于现有方法，且模型更加紧凑高效。

    Dec, 2022

  • 自监督学习空间表示产生多模块网格细胞

    通过结合编码理论、动力系统、函数优化和监督深度学习等多个方法，我们提出了一个自监督学习框架，通过数据、数据增强、损失函数和网络架构等方面的优化，能够在没有监督位置信息的情况下训练出多个栅格细胞模块，且这些网络和形成的表示在训练分布之外也能很好地泛化。该研究对于对栅格细胞起源感兴趣的神经科学家以及对于新颖自监督学习框架感兴趣的机器学习研究人员具有重要洞见。

    Nov, 2023

  • 通过训练动态了解基于坐标的多层感知器的谱偏差

    本研究通过梯度混淆，对基于坐标的多层感知器（coordinate-based MLP）中的谱偏差进行了研究，发现当表现能力受限时混淆程度增加，导致其收敛速度变慢，同时也发现了谱偏差降低时激活区域的特性。

    Jan, 2023

  • 用调制周期激活实现可推广的本地功能表示

    本文提出了一种使用双重 Multi-Layer Perceptrons（MLPs）体系结构的信号表示方法，其中合成网络创建了从低维输入到输出域的功能映射，调制网络将目标信号对应的潜在代码映射到调制周期激活的参数，实现了图像、视频和形状的可推广的功能表示，并实现了比单一信号优化的先前工作更高的重建质量。

    Apr, 2021

  • 二维语义分割的神经场调节策略

    本文研究神经场在二维语义分割中的应用，比较了三种条件策略（简单连接、FiLM 和交叉注意力）的性能差异，结果表明通过交叉注意力实现的神经场具有与基于 CNN 的解码器相媲美的最佳结果。

    Apr, 2023