Nov, 2023

高效存储大规模四维功能性磁共振成像的紧凑隐式神经表示

PDF
TL;DR该研究论文提出了一种针对功能磁共振成像（fMRI）数据的压缩新模式，基于隐式神经表示（INR），通过去除时间序列中的各种冗余，包括空间相关建模、分解可重用的神经激活模式以及描述区域间相似性的适当初始化和非线性融合，成功结合了 fMRI 数据的独特特征，并在公开数据集上的实验结果表明了该方法的有效性，在传统图像质量评估指标和 fMRI 下游任务中超过了最先进的算法。该论文为在低带宽和高保真度下共享海量 fMRI 数据铺平了道路。
发现论文，激发创造
  • MRI 并行重建的批量隐式神经表示

    基于隐式神经表示的 MRI 重建方法通过引入嵌入尺度的编码器和多层感知机 (MLP) 实现了对完全采样的 MRI 图像进行任意尺度的重建，相比其他重建方法，在公开 MRI 数据集上表现出更好的性能。

    Sep, 2023

  • 医学影像中的暗默神经表征：一项比较调查

    通过利用神经网络通过隐式连续函数参数化数据，隐式神经表示（INRs）在场景重建和计算机图形学中显示出显著结果，本论文综述了 INR 模型在医学成像领域的应用，并讨论了 INRs 的优势、局限性以及在医学成像数据中的挑战和考虑因素，同时提出了未来的研究方向和机会。

    Jul, 2023

  • 一种新的体数据隐式神经表示

    提出了一种新的隐式神经表示压缩方法，利用 Lanczos 降采样方案、SIREN 深度网络和 SRDenseNet 高分辨率方案，实现了高压缩比和良好的图像重建质量，同时降低了训练时间和 GPU 内存成本。

    Mar, 2024

  • 隐式神经表示的无模态限制变分压缩

    介绍了一种基于内涵神经表征（INR）的模态不可知神经压缩算法，使用变分压缩的方法优化了 INR 的表征能力，其在多种模态的数据集中表现出色，且在 JPEG 2000、MP3 和 AVC/HEVC 编码技术等领域实现了优于其他 INR 技术的性能。

    Jan, 2023

  • 生物显微图像压缩的隐式神经图像场

    这篇研究论文介绍了一种基于隐式神经表示的自适应压缩工作流，能够高效地压缩生物显微成像的大型图像，并保留下游分析所需的详细信息。

    May, 2024

  • INFusion: 基于扩散正则化的隐式神经表示用于二维和三维加速 MRI 重建

    INFusion 是一种技术，通过使用预训练的扩散模型，为基于学习的隐式神经表示（INRs）的优化提供正则化，以改善图像重建。2D 实验证明了使用我们提出的扩散正则化改进了 INR 训练的效果，而 3D 实验则证明了在 256x256x80 大小的 3D 矩阵上使用扩散正则化进行 INR 训练的可行性。

    Jun, 2024

  • SCI: 一种专注于谱的隐式神经压缩方法，用于生物医学数据

    SCI is a tailored compression method for diverse biomedical data, based on adaptive partitioning and INR's concentrated spectrum envelop, with superior performance to state-of-the-art methods, implemented via optimization.

    Sep, 2022

  • 自适应神经图像的极度压缩

    该研究论文以压缩神经场为中心，介绍了自适应神经图像（ANI）的方法，能够在不损失细节和保持保真度的情况下将神经图像的每个像素位数降低了 4 倍，为发展压缩神经场提供了一个新框架。

    May, 2024

  • 元学习稀疏压缩网络

    本文介绍了一种新的数据表示方法 —— 隐式神经表示法，经过结构优化后，可以对比 JPEG 等传统压缩方法得到更好的压缩效果，并提出了 Meta-Learning 算法在压缩和学习隐式神经表示方面的改进方法，实现了在不同数据模态下的卓越表现。

    May, 2022

  • 混合专家隐式神经压缩模型

    用深度神经网络中参数对数据进行压缩的隐式神经表示（INR）是一种有前景的数据压缩技术，提出了一种基于专家组混合理论的新型隐式神经压缩方法 MoEC，通过自动分配 INR 给场景中的 3D 点，可以自适应地找到最佳分区并在海量多样的生物医学数据上实现了与现有方法相比的最新研究成果。

    Dec, 2023