本文从图像压缩的角度出发,探索了 INRs 的作用,提出了基于 INRs 的全面压缩流水线并进行了广泛的消融研究,结果表明,该方法表现优异,且与专门为图像设计的常用压缩算法竞争力相当,接近基于率失真自编码器的最新学习方法。
Dec, 2021
通过引入神经代表视频的 NeRV++,作为 NeRV 解码器架构的一种增强改进方法,使用可分离卷积残差块(SCRBs)和双线性插值跳跃层等特性,大幅提高了 INR-based 视频编解码的效果和表示能力,实现了与自动编码器基于视频编码相竞争的结果,迈向了 INR-based 视频压缩研究的重大进展。
Feb, 2024
本文提出了一种名为 Rapid-INR 的创新方法,利用 INR 对图像进行编码和压缩,从而加速计算机视觉任务中的神经网络训练;该方法可以将整个数据集直接存储在 GPU 上,并提出了迭代动态剪枝和逐层量化来进一步增强压缩效果,并在图像分类任务中证明了其可行性。
Jun, 2023
本文研究了隐式神经表达在低层视觉问题中的应用,包括图像去噪、超分辨率、修补和去模糊等任务,并在实验中证明了其在资源有限情况下超过其他方法 2dB 以上的卓越表现。
Apr, 2023
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
通过引入条件解码器与熵最小化技术,该研究提出了一种通用增强框架,成功提升了隐式神经表示在视频存储与处理中的效果,并在多个基线模型上展现了优越的重建质量和收敛速度,为视频回归、修复和插值任务提供了一种强大的技术。
通过隐式 - 显式混合编码和多层特征网格嵌入,我们提出了一种用于多视点视频压缩的方法,实验证明该方法在视点压缩和场景建模方面取得了与最新的多视点视频压缩标准 MIV 和其他基于隐式神经表示的方案相当甚至更好的性能。
Nov, 2023
本文介绍了一种基于 HiNeRV 的视频编解码器,该编解码器具有更高的容量和更好的性能,并通过训练、修剪和量化的精细管道来保持其在有损模型压缩中的性能。
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
本文引入 HyperINR,一种新颖的超网络架构,通过利用多分辨率哈希编码单元的集合,直接预测一个紧凑的 INR 的权重,从而提高了 INR 的推理性能和支持交互式虚拟现实。