Jun, 2024
将连续的表示与几何联系起来：等变神经场
Grounding Continuous Representations in Geometry: Equivariant Neural Fields
David R Wessels, David M Knigge, Samuele Papa, Riccardo Valperga, Sharvaree Vadgama...
TL;DR我们提出了基于交叉注意力变换器的等变神经场，其中神经场被条件变量以及几何条件变量所控制，从而实现了从潜变量到场的等变解码。我们的等变方法具有可调整性，当神经场发生变换时，潜变量也相应地表示变换，反之亦然。这种等变关系确保了潜变量能够 (1) 忠实地表示几何模式，从而实现潜空间中的几何推理，(2) 在空间上相似的模式之间共享权重，从而实现对数据集的高效学习。通过分类实验验证了这些主要特性，并与其他非等变的神经场方法进行了对比。我们进一步通过展示独特的局部场编辑属性验证了等变神经场的潜在能力。