用去噪扩散的隐式神经场表示解剖树
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
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
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
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
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
介绍了一种新的图像降噪算法,该算法利用了隐式神经表示 (INRs) 在低噪声和真实噪声情况下具有先天降噪能力的特点,通过惩罚更深层次的权重增长来最大化这种天然的降噪能力,比现有的零样本降噪方法更优。
Apr, 2022
本文介绍了 Implicit Neural Representations (INRs) 的概念,并提出了 inr2vec 框架作为一种有效的在深度学习流程中解决 INRs 表示的下游任务的方法。
Feb, 2023
本研究采用隐式神经表示方法,从稀疏的传感器数据中可靠地重构物理场。通过将时空变化分解为空间和时间分量,并利用因变量分离技术从稀疏采样的不规则数据点中学习相关基函数,从而发展出数据的连续表示。在实验评估中,该模型在模拟数据和卫星海面温度数据集上表现出优越的重构质量,超过了最近的隐式神经表示方法。
Jan, 2024