- 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 - 基于指数递增假设的分区加速学习隐式神经表示
本文通过实证调查发现,当神经网络逼近不连续的分段函数以达到一定的小误差时,时间成本会随着目标信号的空间域边界的增加而呈指数级增长。然后,为了解决这一问题,文章提出了一种基于分区机制的方法,通过将复杂信号分割成多个子区域,并利用分段隐式神经表 - 使用循环一致的隐式表示进行强健的可变形图像配准
使用循环一致的隐式神经表示的可变形配准方法,通过生成多种变形估计和进行优化,改善了配准准确性,并提供了可用于自动质量控制的健壮的不确定度指标。
- 复数小波的隐式神经表示和代数
利用隐式神经表示 (INRs) 以欧几里得空间的多层感知器 (MLP) 对图像进行参数化,有效地在信号中表示了在常规离散表示中看不到的耦合空间和频谱特征,为以前不可能的连续信号处理和机器学习方法铺平了道路。本文研究了使用正弦激活函数的 IN - SHACIRA: 面向隐式神经表示的可扩展哈希格压缩
SHACIRA 是一种简单但有效的通用框架,它通过在潜在空间中重参数化特征网格、应用熵正则化实现了对如图像、视频和辐射场等多种领域数据进行高水平压缩,超过了现有的 INR 方法,而无需大型数据集或特定领域的启发式算法。
- 基于隐式神经表示的未知动态的潜在同化
这篇论文介绍了一种新的同化框架,称为具有隐性神经表示的潜在同化(LAINR)。通过引入球状隐性神经表示(SINR)和训练神经网络的数据驱动不确定性估计器,LAINR 提高了同化过程的效率,并在准确性和效率方面优于基于自动编码器的现有方法。
- ICCVNeO 360:面向稀疏视角合成室外场景的神经场
NeO 360 是一种用于稀疏视图合成的新方法,能从少至一张图像中重建 360 度户外场景,并在探测期间无需优化大量视角。
- INR-Arch:隐式神经表达处理中的任意阶梯度计算的数据流架构与编译器
本文介绍了一个硬件优化的数据流架构,用于将计算图形的高阶梯度转化为硬件优化;该架构通过设计一个使用 FIFO 流和优化计算内核库的数据流架构,并提出一个编译器来提取和优化计算图形,以实现最大吞吐量,同时确保无死锁操作,并输出 FPGA 实现 - 零遮挡文本驱动的面部编辑
本研究提出了一种基于任意文本提示的人脸编辑方法,通过在人脸图像上施加矢量流场来表示空间坐标和像素颜色的偏移,其中流向量通过栅格化张量或隐式参数化的神经网络实现,并借助预训练的 Contrastive Language-Image Pretr - 狨猴脑中基因表达图像的联合分解和配准的隐式神经表示
我们提出了一种基于隐式神经表征的新型图像配准方法,用于解决注册具有类似解剖结构但其中一个图像包含其他特征或工件而另一个图像中没有的一对脑图像的难题。通过将图像分解为支撑图像和残差图像,并联合执行配准,我们的方法在实验中表现出色,并且优于其他 - ICCV可编辑的小说视角合成的统一分解和组合 NeRF 学习
本论文提出了一个统一的神经辐射场(NeRF)框架,以有效地进行场景分解和合成,用于建模现实世界场景,通过学习不同对象的解耦 3D 表示进行场景编辑,同时为新颖视角合成建模整个场景表示。
- 医学影像中的暗默神经表征:一项比较调查
通过利用神经网络通过隐式连续函数参数化数据,隐式神经表示(INRs)在场景重建和计算机图形学中显示出显著结果,本论文综述了 INR 模型在医学成像领域的应用,并讨论了 INRs 的优势、局限性以及在医学成像数据中的挑战和考虑因素,同时提出了 - ICCVSeal-3D: 神经辐射场的交互式像素级编辑
通过提出一种新的交互式编辑方法和系统,名为 Seal-3D,可以实现对隐式表示的编辑,允许用户以像素级和自由的方式编辑 NeRF 模型,并即时预览编辑效果。
- ICMLINFINITY:Reynolds-Averaged Navier-Stokes 方程的神经场建模
我们提出了一个利用隐式神经表示(INRs)的深度学习模型 INFINITY,用于处理数值设计中的有效而准确的模拟模型问题。我们的模型将几何信息和物理场编码为紧凑的表示,并学习它们之间的映射以推断物理场。在挑战性的 AirfRANS 数据集上 - SwIPE:高效稳健的医学图像分割与隐式块嵌入
SwIPE 是一种新颖的方法,利用隐式神经表示来进行医学图像分割,以补充传统方法在空间上的不灵活性,并能够同时实现准确的局部边界划分和整体形状的一致性,具有较少参数的优势和数据效率提高的特点。
- APRF:反问题成像中用于抗锯齿投影表示场的方法
提出了一种基于投影约束的自我监督稀疏视图计算机断层扫描重建方法 (Anti-Aliasing Projection Representation Field),该方法通过空间约束在相邻的投影视图之间建立连续表示,只需要少量的稀疏采样数据即可 - 多对比度 MRI 的双任意尺度超分辨率
本文提出了一种基于隐式神经表示的双任意多对比度 MRI 超分辨率方法 (Dual-ArbNet),该方法可以无限制地使用任意缩放的目标和参考图像进行图像重建,并通过课程学习策略提高了该方法在两个 MRI 数据集上的性能。
- 利用神经表示的深度交叉模态隐写术
本研究提出了一种基于深度学习的跨模态信息隐藏框架,使用隐式神经表征将多种格式的秘密数据嵌入到覆盖图像中,证明新的方法可扩展,能够容纳不同的模态。
- ICMLSiamese SIREN:使用隐式神经表示的音频压缩
该研究介绍了一种新的基于 SIREN 架构的方法 ——Siamese SIREN。实验结果表明,与其他 INR 架构相比,Siamese SIREN 在利用更少的网络参数的情况下可以实现较高的音频重建保真度。
- HiNeRV:基于分层编码的神经表达的视频压缩
本文介绍了一种基于 HiNeRV 的视频编解码器,该编解码器具有更高的容量和更好的性能,并通过训练、修剪和量化的精细管道来保持其在有损模型压缩中的性能。