Jun, 2024

通过神经场对动态 CT 图像重建的增强及明确运动规则化

PDF
TL;DR用于动态逆问题的图像重建：高度欠采样数据的图像重建是一个重大挑战，现有的变分方法和神经场方法被应用于改善图像质量并引入时间正则化，本文研究并展示了在 2D + 时间计算机断层扫描中引入显式的基于偏微分方程的运动正则化的好处，并比较了神经场与基于网格求解器的性能差异。
image reconstructiondynamic inverse problemsundersampled dataneural fieldspde-based motion regularizers
发现论文，激发创造
  • 利用隐式神经表示和参数化动作场进行有限视角下的动态 CT 重建

    本研究提出了一种基于隐式神经表示和基于参数的运动场形变的重建流程，用于快速变形场景的有限视角 4D-CT 重建，并演示了其对周期性运动的重建能力和对现有最先进技术的验证。

    Apr, 2021

  • PREF: 预测可调节的神经运动场

    本研究提出了一种名为 PREF 的框架，该框架利用神经运动场用于在多视角下估计所有点的运动，并通过引入可预测性正则化来增强预测性能，结果表明其在动态场景表征方面与现有的神经运动场方法相当甚至更好。

    Sep, 2022

  • 神经显式扩散模型用于光流场修复

    将模型驱动和数据驱动方法相结合，通过组合显式基于偏微分方程的方法与卷积神经网络，实现了光流场修复任务的联合架构，表现优于显式基线、生成对抗网络和概率扩散基线，成为光流场修复领域的最新技术。

    May, 2024

  • 物理学知识指导的神经场方法用于稀疏数据下的烟雾重建

    本文提出了一种方法，通过利用流体的 Navier-Stokes 方程作为答案进行稀疏视频的端到端优化，实现通过 RGB 视频的高保真流体重构。

    Jun, 2022

  • 神经轨迹场用于动态新视角合成

    本论文提出了 DCT-NeRF，一种基于坐标的神经表示方法，用于动态场景的高质量重建，它学习空间中每个点的平稳和稳定轨迹，并强制执行序列中任意两帧之间的一致性。

    May, 2021

  • 时空连续的偏微分方程预测使用等变神经场

    通过保留潜空间中的几何信息，我们提出了一个基于连续空间时间的条件神经场求解框架，以尊重已知偏微分方程的对称性，并显示出模型在一些具有挑战性的几何结构中超越基线，并在空间和时间上适用于未见过的位置和几何变换的初始条件。

    Jun, 2024

  • 利用隐式神经网络从稀疏观测中持续场重构

    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

  • 向量化的条件神经场：用于解决时变参数的偏微分方程的框架

    使用矢量化条件神经场模型（VCNeFs），并结合注意力机制，通过并行计算多个时空查询点的解决方案并对其依赖关系进行建模，解决了 Transformer 模型在求解偏微分方程方面的问题，并具有优于现有机器学习模型的竞争力。

    Jun, 2024

  • 带任意微分阶硬约束的神经场

    本文提出了一种基于 Meshless 插值和谱协方差方法的约束神经场方法，针对深度神经网络优化问题中缺乏硬性约束优化的现状，其约束可以具体指定为应用于神经场及其导数的线性算子，并展示了其在许多实际应用中的实验效果和高效的模型约束陈述框架。

    Jun, 2023

  • 用神经场景流场进行动态场景的时空视图合成

    提出了一种使用神经场地理概念表示动态场景，并利用单目视频生成新视角和时间合成的方法。通过神经网络优化新的场景流场来适应观测输入视角，并在复杂动态场景中表现出较好的性能。

    Nov, 2020