本篇论文提出一种新的神经压缩技术,旨在解决由纹理数据增加所引起的存储和内存需求问题;该方法可实现低比特率压缩,同时达到更好的图像质量,支持实时解压,具有与 GPU 上的块纹理压缩类似的随机存取性能,并使用自定义训练实现实际的压缩速度。
May, 2023
本研究提出了一种使用神经渲染的方法,利用新颖的神经表征重构对象的透明部分,并保留物体的逼真外观,使用非常高效的着色器代码支持实时渲染,并通过标准的着色器代码生成,实现与现有硬件和软件系统的无缝集成。
Dec, 2022
提出了一种新颖的神经材料表示方法,能够压缩、平铺和外推 Bidirectional Texture Functions (双向纹理函数),并能够学习表示许多光学特性。
Jul, 2023
通过多分辨率哈希表和 CUDA 核心的并行处理,我们能够在几秒钟内训练和呈现高品质的神经图形原语,极大地减少了浮点运算和内存访问操作。
Jan, 2022
该研究提出了第一个在移动设备上实时解码 1080p YUV420 视频的神经视频编解码器,它利用基于块的运动补偿算法实现了高效编解码,并通过在神经信号处理器上同时运行神经网络组件、在移动 GPU 上运行并行熵编码以及在加速器的变换核上实现变换,从而在性能上显著超过之前的设备上编解码器。
Oct, 2023
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。
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
通过引入 Deferred Neural Rendering 和 Neural Textures,本文提出一种新的渲染模型,可以快速准确地合成出高质量的视觉效果,即使输入的 3D 内容不完整嘈杂,同时可以在多个应用领域内进行使用,例如在新颖的视角合成,场景编辑和面部复制等方面。
Apr, 2019
本研究提出一个轻量级神经网络,能够以多个尺度表示不同类型的机织面料,通过编码面料图案和参数为一个小的潜在向量再经由一个小的解码器进行解释而实现。该网络通过像素的足迹作为输入,实现了多尺度表示,其结构轻量且占用存储空间小,能够以接近 60 帧每秒的速度在 RTX 3090 上渲染和编辑机织面料,并且不出现可见的走样和噪声。
May, 2024
通过纹理引导的特征压缩策略,该研究对机器视觉中的特征和纹理进行了调查和分析,提出了一种基于纹理特征的压缩策略,该策略通过选择性地压缩和传输与视觉任务相关的通道,同时为机器提供高质量的特征数据,并利用特征和纹理图像重建预览图像以支持人类决策。实验结果表明,采用所提出的方法对深层特征进行压缩时表现出了出色的性能。