- 基于隐式神经表示的时间序列连续建模:插值与预测
该研究提出了一种使用隐式神经表示法的时间序列建模方法,能够有效捕捉时间序列的连续性,并提供对处理缺失数据、不规则采样或多个传感器的不对齐观测等常见问题的自然解决方案,并通过实验表明,在预测和填充任务中取得了最先进的性能,能够灵活处理各种具有 - ICML全球物种映射的空间隐式神经表示
本研究利用空间隐式神经表示联合估计 47k 个物种的地理范围,建立了四个新的基准模型,证明嘈杂和有偏差的众包数据可以与隐式神经表示相结合,近似许多物种的专家开发的范围图。
- StEik: 稳定神经符号距离函数优化和更精细的形状表示
提出了一种基于偏微分方程的正则化方法和二次层结构的新范式,用于稳定和提高隐式神经形状表示的质量,并在多个基准数据集上展示了显著的改进。
- 单帧布局生成多对象视频
该论文研究了视频生成,并着重简化生成条件。作者使用单个帧对象布局作为唯一条件,通过隐式神经表示和布局动态自我推理,提出了一种新的视频生成框架,能够合成全局场景和局部对象,实验结果表明,该模型比基准模型更加有效。
- 结构性三维人 - 物神经动画
本文提出了一种基于组合视角的方法来处理人物 - 物体交互动画问题:通过采用神经人体 - 物体变形来建模和渲染 HOI 动力学,然后设计了一种新的组成条件神经辐射场(或 CC-NeRF)来分解人和物体之间的相互作用,实现对新 HOI 的动画控 - HyperINR: 一种快速预测的超网络,通过知识蒸馏实现隐式神经表示
本文引入 HyperINR,一种新颖的超网络架构,通过利用多分辨率哈希编码单元的集合,直接预测一个紧凑的 INR 的权重,从而提高了 INR 的推理性能和支持交互式虚拟现实。
- CVPR面向多样化视频的可扩展神经表达
该研究提出了一种新的神经表示框架 D-NeRV,旨在以更高效的方式对长时间或大量的不同内容的视频进行编码。使用这种方法,该方法的压缩结果大大超过了现有的 NeRV 和传统视频压缩技术,同时在相同的压缩率下,其在 UCF101 数据集上用作高 - 学习时空隐式神经表示以进行事件引导的视频超分辨率
本文提出一种新的方法,利用事件的高时空分辨率特性通过空时插值将事件引导具有随机比例因子的视频超分辨率任务。利用空时融合模块、时间滤波模块和空时隐式表示模块将 RGB 帧与事件的特征图结合来完成超分辨率恢复,实验结果表明,该方法显著超过以往技 - CVPR大规模多样化数据的多项式隐式神经表示
本文提出了 Poly-INR 模型,通过使用多项式函数来消除位置编码的限制,为生成建模任务在复杂领域中采用 INR 模型铺平了道路。Poly-INR 模型在像 ImageNet 这样的大型数据集上进行了定性和定量评估,并表现出与最先进的生成 - 置换等变神经函数
本篇论文研究了用于处理其他神经网络的权重或梯度的神经网络的设计,即神经功能网络(NFN),并通过对称性的引入提出了一个构建置换等变的神经谷波器的框架,其架构将这些对称性编码为归纳偏置,并发现该框架在处理加权多层和卷积神经网络等多个任务方面表 - ICLR基于隐式神经表示的形状深度学习
本文介绍了 Implicit Neural Representations (INRs) 的概念,并提出了 inr2vec 框架作为一种有效的在深度学习流程中解决 INRs 表示的下游任务的方法。
- 超网构建音频的隐式神经表示
HyperSound 是第一种利用超网络进行元学习的方法,用于生成适合于音频样本的 INRs,以解决现有方法难以应用于音频的局限性,提供了一种可行的代替深度神经网络中当前用于音频处理的声谱图表示方法,并且重新构建的音频样本质量可与其他最先进 - 基于误差上下文修剪的隐式神经表示元学习的高效实现
针对大规模隐式神经表示(INRs)的学习,我们提出了一种高效的优化元学习技术,通过在线选择上下文点,可以在任何已知场景中大幅减少元学习的内存需求,实现上下文剪枝以及信号适应。此项技术提出了三个具有技术性新颖性的方案:context prun - ICLR学习隐式神经表示的多功能神经过程
本文提出了一种较为高效的神经过程模型 Versatile Neural Processes(VNP),通过引入瓶颈编码器和多个全局潜在变量的分层学习,能够有效地逼近和建模复杂信号的分布,其有效性在 1D、2D 和 3D 信号建模中得到证实。
- CVPR实例模式组合器生成通用隐式神经表示
该研究介绍了一种能够自适应权重的神经网络并利用该框架构建出可推广的隐式神经表示(INRs),该框架被设计用于在坐标系下自动化地生成实例特征编码,实现了一个指导变更的自上而下的编码方式,在现有实例的基础上预测新实例的特征编码,实验表明该方法对 - MAgNet:网格不可知的神经偏微分方程求解器
本文利用隐式神经表示法 (INR) 对偏微分方程进行建模,通过增强基于坐标的体系结构与图神经网络 (GNN) 的联合使用,能够进行零 - shot 泛化到新的不均匀网格和长期预测,同时维持物理一致性,MAgNet 推广到不同的网格和分辨率上 - 使用隐式神经表示预测连续偏微分方程动态
提出了一种新的数据驱动方法 DINo 来模拟 PDE 流场,通过 Implicit Neural Representations 在小的潜空间中独立嵌入空间观测数据,在由学习 ODE 驱动的时间中灵活处理时间和空间。DINo 可以在任意时间 - HyperTime: 时间序列的隐式神经表示
本文利用隐式神经表示技术分析了时间序列数据的表示问题,并提出了一种基于傅里叶变换的损失函数来指导网络训练的超网络结构,用于生成时间序列数据。我们证明了这个方法可以用于时间序列数据的扩充与生成,并且在此领域达到了最先进的方法的水平。
- ECCV利用 Transformer 作为元学习器获取隐含神经表征
使用 Transformer 作为超网络构建内隐神经表示,避免信息瓶颈和优化低效性,并在 2D 图像回归和 3D 对象视图合成等任务和领域中展示其有效性。
- 广义隐式神经表示法
研究了在非欧几里得域中学习隐式神经表征(INRs)的问题,介绍了一种利用图的谱嵌入来近似节点位置,并在各种真实世界的非欧几里得域的信号上进行了实验。