这篇研究论文介绍了一种基于隐式神经表示的自适应压缩工作流,能够高效地压缩生物显微成像的大型图像,并保留下游分析所需的详细信息。
May, 2024
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
本文介绍了一种新的数据表示方法 —— 隐式神经表示法,经过结构优化后,可以对比 JPEG 等传统压缩方法得到更好的压缩效果,并提出了 Meta-Learning 算法在压缩和学习隐式神经表示方面的改进方法,实现了在不同数据模态下的卓越表现。
May, 2022
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
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
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
该研究论文提出了一种针对功能磁共振成像(fMRI)数据的压缩新模式,基于隐式神经表示(INR),通过去除时间序列中的各种冗余,包括空间相关建模、分解可重用的神经激活模式以及描述区域间相似性的适当初始化和非线性融合,成功结合了 fMRI 数据的独特特征,并在公开数据集上的实验结果表明了该方法的有效性,在传统图像质量评估指标和 fMRI 下游任务中超过了最先进的算法。该论文为在低带宽和高保真度下共享海量 fMRI 数据铺平了道路。
Nov, 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
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