通过在二维或三维网格上直接进行 Taylor 展开优化,提出了一种名为 TaylorGrid 的新型隐式场表示,旨在实现快速高质量的隐式场学习,并可以适用于 SDF 学习或 NeRF 等不同的隐式场学习任务。通过广泛的定量和定性比较,TaylorGrid 在快速高质量的隐式场学习方面展现出了线性网格和神经体素的优势。
Feb, 2024
该研究提出了一个新的框架用于实现对大型城市场景的高保真渲染,该框架运用了一种简化的多分辨率地面特征平面表示来捕捉场景,并通过另一个 NeRF 分支的位置编码输入进行补充,以联合学习的方式进行渲染。
Mar, 2023
通过在正规网格特征和离散点特征之间引入高效的点 - 网格变换机制,以及采用边界优化策略,本文提出的方法有效地提升了三维表面重建的精度和准确性。
Jan, 2024
模型梯度场 (ModelGiF) 作为一种从异构的预训练模型中提取同质表示的方法,通过计算模型间的 ModelGiF 相似性来量化模型功能距离,并在任务相关性估计、知识产权保护和模型遗忘验证等测试中验证了其有效性与优越性。
Sep, 2023
使用渲染和信号处理中的思想,将 mip-NeRF 360 和基于网格的模型相结合,使误差比之前的技术低 8%-76%,并且训练速度比 mip-NeRF 360 快 22 倍。
Apr, 2023
通过使用具有随机初始化的无限宽度深度网络集合的马尔可夫接近学习模型,结合数值评估来合并和统一神经切向核(NTK)和神经网络高斯过程(NNGP)理论,并提供对机器学习中深度神经网络学习过程的全面理解。
通过使用神经场,利用三维空间内不规则的栅格表征方法,提高了点云形状重构以及生成模型的精确性和质量, 在单张高分辨率图像、低分辨率图像和分类条件下的生成模型中,实现了有关 3D 形状建模的革新工作。
May, 2022
该研究通过设计采样网格和参数化几何先验来实现像素级稠密预测,提出了 Directed Accumulator Grid (DAGrid),并发现在医学图像识别中和小型不平衡数据集方面,采用 DAGrid 可以显著提高识别性能。
Jun, 2023
本文介绍了一种名为 mip-Grid 的方法,它将消除深度学习模型渲染过程中的锯齿状失真问题与快速训练相结合的网格表示技术,通过生成多尺度的网格并使用尺度感知坐标检索不同尺度的特征,大大提高了渲染性能和训练速度。
利用傅里叶分析工具拓展了通过特定状态转移之间的网络格代码的特征向量泛化推广到任意平移不变有向转移结构的模型,并证明了其在路径整合、预测规划和方向感知等任务中的适用性.
Jun, 2020