关键词continuous representation
搜索结果 - 6
- 研究科学连续领域重建中潜在表示的影响
学习稀疏采样下的连续可靠物理场表示的挑战及其影响是多学科的。本文提出了一种名为 MMGN(乘法和调制 Gabor 网络)的新模型,采用隐式神经网络。我们设计了额外的研究来增强对模型生成的潜在表示的理解,并采用了解释性方法。初步结果显示潜在表 - 非局部自相似性的连续表示再探讨
基于连续表示的非局部方法 (CRNL) 统一了网格和非网格数据的自相似度测量,通过耦合低秩函数分解的方法实现更紧凑和高效的非局部连续群的表示,从而在多维数据处理任务中展现出比传统非局部方法更高的效力和效率。
- 通过重复微分实现神经场卷积
本文介绍了一种使用经过训练的积分场实现大规模卷积的方法,用以弥补神经场作为连续信号表示方法而不易进行信号处理的问题。作者在各种数据模态和空间变化的核上演示了该方法。
- CVPR使用局部隐式图像函数学习连续的图像表示
本文提出了一种名为 LIIF 的局部隐式图像函数,通过输入图像坐标和周围的 2D 深度特征,预测给定坐标的 RGB 值,训练得到的连续表示可以呈现在任意分辨率下,甚至可以外推到高达 x30 的分辨率,同时 LIIF 还在 2D 中构建了离散 - 嵌入表格的训练后 4 位量化
本文研究在推荐系统中使用连续表示的实体进行后训练四位量化,提出了基于行均匀量化和基于码本量化的量化方法,这些方法在减少精度降级方面均优于现有的量化方法,作者在 Facebook 的生产模型中应用了均匀量化技术并表明该技术可以将模型尺寸压缩到 - 不变 / 等变图神经网络普适性的简单证明
本文提出了一种基于图同态模型的简单证明方法,证明了不变和等变张量化图神经网络的普适性和张量化的自然解释,同时解释了该模型与图的连续表示之间的联系。