Feb, 2024

一种用于分布归一化的 Lennard-Jones 层

PDF
TL;DR引入 Lennard-Jones 层进行密度均衡，通过对点进行系统重新排列来保持它们的整体结构，并将其应用于点云的重分布和生成过程中，最终证明其对点云生成和去噪网络的改进是有效的。
lennard-jones layerdensity equalizationpoint cloudstabilization processneural network
发现论文，激发创造
  • 改进的均场神经网络的粒子逼近误差

    通过改进粒子近似误差的对数 Sobolev 不等式常数依赖性，我们展示了 MFLD 的收敛性提高、对均场稳态分布的采样保证以及粒子复杂度的统一随时间的 Wasserstein 传播。

    May, 2024

  • 通过二分图近似和重新加权图拉普拉斯进行 3D 点云去噪

    本文提出了一种基于最近图信号处理的本地算法来进行三维点云去噪，具体而言，使用重新加权图拉普拉斯正则化器来进行表面法线进行正则化，进而通过二分图逼近和优化实现了局部去噪性能。

    Dec, 2018

  • 马尔可夫 - 利普希茨深度学习

    该研究提出了一种名为 Markov-Lipschitz 深度学习（MLDL）的新框架，用于处理神经网络转换中的几何退化，以实现基于流形的表示学习和流形数据生成。该框架可以通过引入局部等距光滑（LIS）先验约束到马尔可夫随机场（MRF）Gibbs 分布中，使层间具有良好的 LIS 受限性，从而增强了矢量变换。大量实验、比较和消融研究显示了 MLDL 在流形学习和流形数据生成方面的显著优势。

    Jun, 2020

  • 基于评分的粒子方法用于均匀 Landau 方程

    我们提出了一种新颖的基于得分的粒子方法，用于解决等离子体中的 Landau 方程，该方法将学习与保持结构的粒子方法无缝集成。

    May, 2024

  • 基于图论的 LiDAR 数据 3D 法向量提取算法

    该研究利用图形化方法来对 LiDAR 点云进行法向量估计和平面提取，建立了一个非线性的约束凸优化问题，并提供不同权重的解决方案进行优化，最终以大规模的综合平面提取数据集的比较验证了该方法

    May, 2022

  • 利用低维流形模型的图拉普拉斯正则化进行 3D 点云去噪

    本文提出一种基于低维流形模型和图拉普拉斯正则化器的 3D 点云去噪方法，通过近似离散观测的流形维度计算，并且采用一种新的离散补丁距离度量来构建一个抗噪声的图形结构，并取得了比当前最先进方法更好的性能和更好的结构特征保持。

    Mar, 2018

  • LDMNet: 低维流形正则化神经网络

    通过使用 Low-Dimensional-Manifold-regularized neural Network 来加强神经网络的特征提取，有效提高了在小样本情况下的泛化能力并且可以应用于同种物体的跨光谱识别。

    Nov, 2017

  • 晶格场论中的正则流介绍

    本文介绍一种使用正则化流方法对晶格场论的 Boltzmann 分布进行采样的方法，特别是在 U（1）规范理论中应用流动方法的编码，以产生包含规范对称性的物理量的结果。

    Jan, 2021

  • 基于学习到的广义测地线距离函数的图节点特征增强方法

    利用学习到的广义测地距离函数， LGGD 方法在图像处理、计算机图形学和计算机视觉领域中应用广泛，其在节点分类任务中具有改进的性能，并在真实图数据集上达到与最先进方法相竞争的结果，同时还展示了参数在图中广义测地方程中的可学习性以及新标签的动态包含能力。

    Jul, 2024

  • 训练计算密集型目标概率分布的正则化流

    机器学习技术特别是所谓的标准化流在蒙特卡洛模拟中变得越来越受欢迎，因为它们可以有效地逼近目标概率分布。在格点场论中，目标分布由作用的指数给出。我们提出了一种基于 REINFORCE 算法的标准化流估计器，避免了相关的计算问题，应用于临界维度的二维 Schwinger 模型，并显示它相比重新参数化技巧估计器的墙钟时间更快，内存需求减少了 30％，数值上更稳定，并允许进行单精度计算和使用半浮点张量核心。我们深入分析了这些改进的原因，这些优点也将出现在目标概率分布计算复杂的其他领域中。

    Aug, 2023