关键词implicit neural representations
搜索结果 - 104
- NERV++:一种增强的隐式神经视频表示方法
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 - 利用不确定性传播提高隐式神经表示的等值面提取效率
通过改进范围分析技术,我们能够更准确地估计价值范围,从而更准确地识别等值面单元并在 INR 上实现更高效的等值面提取。
- SealD-NeRF: 动态场景的神经辐射场交互式像素级编辑
本文介绍了 SealD-NeRF,它是 Seal-3D 的一个扩展,用于在动态环境中进行像素级编辑,特别针对 D-NeRF 网络。它通过将编辑操作映射到特定的时间框架,冻结负责动态场景表示的变形网络,并使用师生方法来集成更改,实现序列中的一 - 隐式神经表示的随机训练预处理器
利用曲率感知的对角预处理器,我们提出了一种用于加速训练的随机训练方法,展示了它们在图像、形状重建和神经辐射场等各种信号模态上的有效性。
- 一种对隐式神经表示激活的采样理论视角
使用隐性神经表示 (INRs) 对信号进行紧凑、可微的编码已经越来越受青睐。本研究从采样理论的角度对常用的正弦位置编码、非传统激活函数等技术进行了全面分析,发现在信号编码中 sinc 激活函数从理论上来讲是最优的,同时我们还建立了动力系统和 - 利用隐式神经表示的沉浸式视频压缩
首次将内隐神经表示(INR)应用于多视角视频,通过提出基于 INR 的 MV-HiNeRV,它是一种新的增强型多视角视频编解码器,用于高效地表示和编码传统视频内容,并在 MPEG Immersive Video(MIV)的测试中表现出卓越的 - DDMI: 领域不可知的潜在扩散模型用于合成高质量的隐式神经表示
我们提出了用于隐式神经表示的无领域隐性扩散模型 (Domain-agnostic Latent Diffusion Model),该模型生成自适应位置嵌入,而不是神经网络的权重。我们还引入了一种用于评估隐式神经表示的新型条件机制,通过分层分 - 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 - 解释隐含神经画布:通过追踪其贡献将像素与神经元连接
Implicit Neural Representations are analyzed and explained through the framework of eXplaining the Implicit Neural Canva - 神经流动图上的流体模拟
我们引入了神经流图(Neural Flow Maps)这种新颖的模拟方法,将隐式神经表示的新兴范式与基于流图理论的流体模拟相结合,实现了无粘流体现象的最先进模拟。我们设计了一种新颖的混合神经场表示,即空间稀疏神经场(Spatially Sp - 解剖学约束的隐式人脸模型
提出一种新的使用隐式表示的解剖受限人脸模型,通过联合学习面部解剖和皮肤表面来建模,可以作为传统混合形状模型的可替代方案,并应用于形状拟合、形状编辑和性能重定向等任务。
- 通过隐式表示实现的灵活跨模态隐写术
INRSteg 是基于一种新颖的数据形式 Implicit Neural Representations (INR) 的创新无损隐写术框架,该框架适用于有效隐藏多个数据而不改变原始 INR,确保高质量的隐写数据,并能在图像、音频、视频和 3 - 利用采样和隐式神经表示的高光谱图像压缩
基于隐式神经表示的多层感知器网络在高光谱图像压缩中充当压缩编码器,通过对每个像素位置进行评估以重建原始图像,并通过采样方法来降低压缩时间,实验证明该方法在低比特率下比 JPEG、JPEG2000 和 PCA-DCT 实现更好的压缩性能,与学 - 具有隐式神经表示的空间自适应服装回归
本研究介绍了一种利用隐式神经表征的新型各向异性布料回归技术,其中包括创新的无网格抽样方法和新颖的对抗训练方案,以更好地捕捉细节布料纹理并保持计算效率。实验结果表明,在相同内存限制下,本方法在建模高度细节化的布料皱纹时始终超过传统的离散表示。
- TRIDENT:非线性三部曲的隐式神经表示
通过三个非线性特征,TRIDENT 引入了一种新颖的函数作为隐式神经表示,该函数具有对高阶特征的紧凑表示、对频率信息的高效捕获以及信号或图像在有限空间范围内能量集中的能力,经广泛实验表明,该函数优于现有的隐式神经表示函数。
- 通过能量模型优化点云的隐式神经表示
使用基于能量的模型优化隐式神经表示的三维点云连续曲面重建,进一步确认该方法在噪声点云下更加鲁棒。
- 大规模场景神经表示的点扩散隐式函数
通过学习场景的表面分布、减小可采样空间并采用 Point Diffusion implicit Function (PDF) 方法,实现了大规模场景的神经表示,其中包括利用扩散模块将稀疏点云转化为密集点云作为先验,并通过基于 Mip-NeR - 点云中无旋流的 $p$-Poisson 曲面重建
通过对无组织点云进行局部偏微分方程监督以及差分矢量场的基本属性,本文提出了一种具有鲁棒性、高质量的曲面重建方法,采用了隐式神经表示技术,并通过学习 $p$-Poisson 方程得到符号距离函数 (SDF),从而隐式表示重建曲面。实验结果表明 - INCODE: 具有先验知识嵌入的隐式神经调节
INCODE 是一种利用深度先验知识增强 INR 中正弦基准激活函数的控制的新方法,它通过调整激活函数的关键参数来优化表示过程,不仅在表示方面出色,而且在处理音频、图像、3D 形状重建以及神经辐射场(NeRFs)和逆问题(包括降噪、超分辨率 - AAAIVQ-NeRF:向量量化增强隐式神经表征
通过向量量化等方法,本文提出了一种名为 VQ-NeRF 的管线,以提高隐式神经表示的效果和效率,并通过多尺度采样和语义损失函数等方法来增强网络保留场景的细节和几何特征。在多个数据集上的评估结果表明,该方法在图像渲染质量和效率之间达到了最佳平