Nov, 2023

具有热激活的神经场用于任意尺度超分辨率

PDF
TL;DR利用傅立叶理论和热方程衍生的一种新型激活函数，我们提出了一种设计神经场的新方法，使得可以使用高斯点扩散函数查询点，在 ASSR 分辨率转换时提供了理论上保证的抗锯齿效果，并且在计算成本上不增加额外开销，同时与超网络结合，比之前的方法更具参数效率。
arbitrary-scale single image super-resolutionneural fieldspoint spread functiongaussian psfanti-aliasing
发现论文，激发创造
  • 神经高斯尺度空间场

    我们提出了一种高效、轻量级的方法，用于学习任意信号的全连续、各向异性的高斯尺度空间。基于傅立叶特征调制和利普希茨边界，我们的方法通过自我监督训练，能够忠实地捕捉多尺度表示，支持各种应用，包括图像、几何、光场数据、纹理抗锯齿和多尺度优化。

    May, 2024

  • 大感受野网络用于高比例图像超分辨率

    提出了 Large Receptive Field Networks，它可以扩展超分辨率网络的感受野，同时不增加深度或参数计数，通过实验证明该方法在提高准确率（PSNR / SSIM），减少参数计数和提高速度方面具有有效性。

    Apr, 2018

  • ASSR-NeRF: 在体素网格上实现任意尺度超分辨率以高质量重建辐射场

    提出了一种名为 Arbitrary-Scale Super-Resolution NeRF (ASSR-NeRF) 的新型框架，通过使用 VoxelGridSR 模型在优化的体积上直接进行 3D 超分辨率 (SR) 操作，从而实现超分辨率新视角合成 (SRNVS)。通过在多样化场景上进行训练，可以确保模型的泛化能力，在训练过程中，对于使用低分辨率视角的未见场景，可以直接应用 VoxelGridSR 来进一步优化体积，并实现多视角一致的超分辨率 (SR)。实验证明，所提出的方法在 SRNVS 上取得了显着的性能提升。

    Jun, 2024

  • NeRF-SR：使用超采样的高质量神经辐射场

    NeRF-SR 是一种高分辨率、低分辨率输入的新视角综合解决方案，基于神经放射场，利用超采样策略和改进网络，在没有外部信息的情况下，实现了高质量的新视角合成。

    Dec, 2021

  • 用神经架构搜索实现快速、精确和轻量级的超分辨率处理

    使用神经架构搜索的多目标方法能够在以 FLOPS 为指标的量化实验中优于现有方法，以在资源受限条件下平衡模型的简单度和修复能力。

    Jan, 2019

  • 基于点扩散函数正则化和主动学习的图像恢复

    通过深度学习的图像修复算法与高保真度望远镜模拟器相结合的新型图像修复算法，可以有效增强模糊图像的细节结构，提高观测图像的质量，用于大规模天文巡天数据的信息提取，推动天文研究领域的进展。

    Oct, 2023

  • 寻找加速神经场培训的数据转换

    通过研究数据变换对神经场训练速度的影响，特别关注像素位置置换如何影响 SGD 的收敛速度，我们发现随机置换像素位置可以显著加快训练速度。分析表明，随机像素置换消除了易拟合的模式，促进了早期的优化，但阻碍了细节的捕捉。

    Nov, 2023

  • 基于像素感知的深度函数混合网络用于光谱超分辨率

    提出了一种基于像素的深度函数混合网络，其中包括一种新的模块，称为函数混合（FM）块，用于光谱超分辨率，以确定每个像素的接受域大小和映射函数，并使用 late-stage 的中间特征增强了性能，在三个基准 HSI 数据集上验证其优越性。

    Mar, 2019

  • 金字塔神经辐射场 PyNeRF

    通过在不同空间网格分辨率上训练模型头部，我们对基于网格的模型进行简单修改，以实现容易的扩展，提高渲染质量和性能效率。

    Nov, 2023

  • Zip-NeRF: 基于格点的反锯齿神经辐射场

    使用渲染和信号处理中的思想，将 mip-NeRF 360 和基于网格的模型相结合，使误差比之前的技术低 8%-76%，并且训练速度比 mip-NeRF 360 快 22 倍。

    Apr, 2023