- PNeRV: 用于视频的多项式神经表示
通过引入多项式神经网络,本研究提出了一种针对视频的参数高效、面片级内隐神经表示的方法(PNeRV),该方法在保留空间连续性的同时,充分利用了连续时间的模糊能力,解决了视频数据领域内内隐神经表示所面临的挑战,并为先进的视频处理和分析开辟了新的 - INFusion: 基于扩散正则化的隐式神经表示用于二维和三维加速 MRI 重建
INFusion 是一种技术,通过使用预训练的扩散模型,为基于学习的隐式神经表示(INRs)的优化提供正则化,以改善图像重建。2D 实验证明了使用我们提出的扩散正则化改进了 INR 训练的效果,而 3D 实验则证明了在 256x256x80 - 熵解的低秩神经表示
通过一种非线性表示方法和深度神经网络的低秩结构,我们构建了具有光滑凸通量函数的非线性标量守恒定律的熵解的新表示形式,并演示了该低秩神经表示法能够近似任意熵解,而保留嵌入动力学的线性性。
- CVPRC^2RV:稀疏视图 CBCT 重建的跨地域和跨视图学习
通过利用显式多尺度体素表示来实现三维空间中的区域间学习,并引入比例 - 视图交叉注意模块以自适应地聚合多尺度和多视图特征,我们提出了 C^2RV 方法,通过广泛实验证明其在具有多样化解剖结构的数据集上相比先前的领先方法实现了一致并显著的改进 - ICML量子隐式神经表示
我们提出了一种新颖的量子广义傅立叶神经网络(QIREN),其通过理论分析证明了比经典的傅立叶神经网络具有量子优势,并通过信号表示、图像超分辨率和图像生成任务的实验证明了 QIREN 相对于最先进模型的卓越性能。我们的工作不仅将量子优势融入了 - ICMLReLUs 足以学习隐式神经表示
通过第二阶 B 样条小波的灵感,我们给深度神经网络 (DNN) 每一层的 ReLU 神经元引入一组简单的约束以修正其谱偏差,从而实现对各种隐式神经表示任务的有效使用。通过实验证明,与普遍观点相反,基于只包含 ReLU 神经元的 DNN 可以 - 隐式神经表示的采样理论探索
隐式神经表示(INR)已成为计算机视觉和计算成像中解决反问题的强大工具。在线性反问题背景下,我们研究了使用单隐藏层 ReLU 激活和傅里叶特征层的广义权重衰减正则化方法,来从低通傅里叶系数恢复连续域图像的采样要求,验证了我们的理论,并展示了 - 自适应神经图像的极度压缩
该研究论文以压缩神经场为中心,介绍了自适应神经图像(ANI)的方法,能够在不损失细节和保持保真度的情况下将神经图像的每个像素位数降低了 4 倍,为发展压缩神经场提供了一个新框架。
- 鲁棒联合稀疏视图 CT 重建的隐式神经表示
通过联合表示以及贝叶斯框架,改进了计算机断层扫描(Computed Tomography)重建质量,实验表明明显提高了重建方法。
- 基于傅里叶增强的隐式神经融合网络用于多光谱与高光谱图像融合
该论文介绍了一种特定设计用于多光谱和高光谱图像融合任务的傅里叶增强的隐式神经融合网络,通过创新地提出了一种空间和频率隐式融合函数(Spa-Fre IFF)来捕捉高频信息并扩展感受野,并发明了一种新的解码器,使用复数 Gabor 小波激活函数 - HOIN:高阶隐式神经表示
通过提出一种称为 High-Order Implicit Neural Representations (HOIN) 的通用框架,通过增强模型的表达能力和减轻频谱偏差,加速和优化逆问题的解决,HOIN 在大多数逆问题中实现了 1 到 3 d - 自主隐式室内场景重建与边界探索
通过引入基于前沿探索任务的全局覆盖和基于隐式表面不确定性的重建任务,结合使用颜色不确定性实现隐式表面不确定性的方法,提出了一种自适应策略来在视角路径规划中切换模式,以减少时间并保持卓越的重建质量。该方法在所有规划方法中展示了最高的重建质量和 - CVPR基于稀疏点云的无监督占据学习
通过使用基于边界采样的方法和基于熵的优化过程,我们提出一种从稀疏输入中学习占据场的方法,并展示了该方法在隐式形状推断方面相对于基线方法和现有技术的有效性。
- CVPRDS-NeRV:用分解的静态动态代码进行隐式神经视频表示
通过 DS-NeRV 方法,将视频分解为可学习的稀疏静态代码和动态代码,无需显式光流或残差监督,有效利用冗余的静态信息,同时保持高频细节,通过交叉通道注意力融合模块实现帧解码,性能在各项下游任务中超过其他 NeRV 方法。
- VQ-NeRV:一种用于视频的向量量化神经表示
通过引入具有自适应内容嵌入的混合神经表示视频(HNeRV)和一个新颖组件 ——VQ-NeRV 块,我们提出了一个先进的 U 型架构,Vector Quantized-NeRV(VQ-NeRV),以在视频回归任务中提供卓越的重建质量、更好的比 - 3DGS-Calib:多模态时空校准的 3D 高斯喷涂
基于 3D 高斯扩散渲染方法,我们提出了一种新的多模态时空校准方法 3DGS-Calib,该方法在精确性、稳健性和速度上都优于依赖于隐式神经表示方法的传统方法。我们通过对 KITTI-360 驾驶数据集的实验结果证明了我们的方法的优越性。
- 用去噪扩散的隐式神经场表示解剖树
使用隐式神经表示和去噪扩散方法准确捕捉任意分辨率下解剖树的几何和拓扑,实现高保真度的树结构重建,同时具备储存紧凑、适用于各解剖部位和树结构复杂性的特性。
- 高斯图像:通过二维高斯喷洒的 1000 帧每秒图像表示和压缩
通过 2D 高斯扩散的方式,我们提出了一种开创性的图像表示和压缩范式,名为高斯图像。与 INRs 相比,我们的方法在表示性能上不逊色,并且具有最低 3 倍的 GPU 内存使用和 5 倍的拟合时间,同时提供 1500-2000 FPS 的更快 - 多尺度隐式转换器与重新参数化的任意尺度超分辨率
最近,基于隐式神经表示的方法在任意尺度超分辨率(ASSR)方面展现出了出色的能力。我们设计了多尺度隐式变换器(MSIT),其中包含一个多尺度神经操作器(MSNO)和多尺度自注意力(MSSA)。通过功能增强、多尺度特征提取和多尺度特征融合,M - CVPR使用有条件解码器增强视频的神经表示
通过引入条件解码器与熵最小化技术,该研究提出了一种通用增强框架,成功提升了隐式神经表示在视频存储与处理中的效果,并在多个基线模型上展现了优越的重建质量和收敛速度,为视频回归、修复和插值任务提供了一种强大的技术。