Jan, 2024

关于使用带位置编码的 MLP 学习 SDF 的最佳采样

PDF
TL;DR通过傅立叶分析的方法，我们提出了一种简单而有效的估算具有随机权重的神经网络的固有频率的方法，并根据此频率的奈奎斯特 - 香农采样定理，确定了适当的训练采样率。通过使用我们的采样策略训练具有位置编码的多层感知机（MLP），我们证明其性能优于现有方法。
发现论文，激发创造
  • 用样条位置编码学习三维隐式带符号距离场

    本研究提出了一种新颖的位置编码方案 (Spline Positional Encoding)，将输入坐标映射到高维空间，以帮助从无组织的 3D 点云中恢复带有细节的几何形状，从而进一步验证了该方法在 3D 形状重建和形状空间学习任务中的优势。同时，在图像重建方面也展示并评估了我们方法的功效。

    Jun, 2021

  • PINs: 基于渐进式隐式网络的多尺度神经表示

    提出了一种逐渐增加频率编码集的渐进式位置编码方法，构建了一个分层的 MLP 结构，其能够准确地重建具有广泛频谱的场景，并在不需要明确的层级监督下逐步学习场景表示。

    Feb, 2022

  • PREF: 用于紧凑神经表示的矢量嵌入场

    本研究提出一种高效的频率 - 基于的神经表示，使用具有非常大的频率覆盖范围的相量场扩展，旨在捕获高频细节，同时保持紧凑和稳健性。该表示通过组合快速傅里叶变换和局部插值来加速傻瓜傅里叶映射，并使用 Parsvel 調整器穩定基於頻率的學習。

    May, 2022

  • SAPE：面向神经优化的自适应渐进编码

    本研究提出了一种空间自适应渐进编码方案，可以增强 MLP 网络对于高频率输入信号的适应能力，该编码方案能够在时间和空间上逐渐提高信号频率的曝光，并通过反馈循环监控进程中的频率暴露，以便信号空间的本地部分在不同的速率下传播变化，实验表明该方案在多个领域和应用中具有优势。

    Apr, 2021

  • 使用傅立叶基数重新参数化训练改进的神经表征

    利用傅里叶参数化方法可以更好地学习隐式神经表示并减少人工数据中的纹理和伪影

    Jan, 2024

  • PET-NeuS: 神经表面的位置编码三平面

    本文建立新的神经表面重建方法，在 signed distance function 的基础上结合 tri-plane 表示，采用可学习的位置编码和卷积操作，通过实验在标准数据集上大幅提高了表面重建的精度。

    May, 2023

  • 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

  • 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

  • 神经几何细节层：使用隐式三维形状的实时渲染

    本篇研究提出了一种基于八叉树的特征体积的神经无人机距离函数模型，实现了高保真的 3D 形状实时渲染，且在多个方面表现出全球领先的复杂形状重建质量与渲染效率。

    Jan, 2021

  • 分析神经辐射场的内部结构

    介绍了一种利用基于 MLP 的 NeRFs 及其 proposal network samplers 加速的方法，该方法可以在不改变训练协议或架构的情况下，将所需计算的时间减少了 50%，同时对渲染质量的影响微乎其微。

    Jun, 2023