- 基于神经网络场的几何意识在 3D 人体配准中的应用
论文提出了两种解决方案:一种是通过预测目标表面上局部 SMPL 顶点的方向来预测模板与 3D 人体点云的对齐问题的新型神经场模型 LoVD;另一种是在测试时利用目标几何信息对骨干进行改进的首个自监督任务 INT。将它们结合成 INLoVD, - ICLR基于 3D 神经场的深度学习
本文提出了 nf2vec 框架,用于在单次推断中为输入的神经场生成紧凑的潜在表示,展示了将其嵌入到深度学习流程中并成功解决各种任务的有效性。
- 如何训练神经场表示:一项全面研究与基准测试
使用基于 JAX 的库 fit-a-nef,对神经场(NeFs)进行了全面的研究,研究了不同超参数对下游任务的影响,并提出了神经场竞技场作为基准测试集,以进一步研究神经领域。
- 潜编辑器:基于文本驱动的 3D 场景局部编辑
通过引入 `LatentEditor` 框架,利用文本提示实现对神经场的精确和局部控制编辑,从而在潜空间中实现更快速、更适应性强的 3D 场景编辑。
- 混合神经场的准确微分算子
我们提出了两种方法来解决混合神经场在渲染、碰撞模拟和解决偏微分方程等下游应用中可能引起的不合理现象和伪影问题:首先,我们提出了一种后处理算子,利用局部多项式拟合从预训练的混合神经场中获得更准确的导数;其次,我们提出了一种自监督微调方法,通过 - RING-NeRF:基于残差隐式神经网络格的通用架构
我们介绍了一种名为 RING-NeRF 的新的简单而高效的体系结构,基于 Residual Implicit Neural Grids,用于控制场景和潜在空间之间映射函数的细节级别,并结合距离感知的正向映射机制和连续的粗 - 细重建过程,在 - 艺术家友好型可调光和可动画神经头部
通过使用容积神经场,我们提出了一种新的方法来处理可重光和可动态化的神经头像,结合混合容积原始的动态化身方法以及轻量级硬件设置和新的架构,实现了在任何环境中重新照明的动态神经头像,甚至可以进行未见过的表情。
- 具有热激活的神经场用于任意尺度超分辨率
利用傅立叶理论和热方程衍生的一种新型激活函数,我们提出了一种设计神经场的新方法,使得可以使用高斯点扩散函数查询点,在 ASSR 分辨率转换时提供了理论上保证的抗锯齿效果,并且在计算成本上不增加额外开销,同时与超网络结合,比之前的方法更具参数 - 神经场的坐标感知调制
提出了一种利用 MLPs 和 grid representations 的新方法,通过 Coordinate-Aware Modulation (CAM) 将 grid representations 注入 MLP 的中间特征来增强神经表示 - 神经场的 3D 压缩
本研究提出了一种基于神经场的三维数据压缩算法,能够优秀地进行几何压缩以及属性(例如颜色)压缩。
- 学习 4D 胎儿磁共振时间序列的动态神经场
利用神经场快速构建生物医学图像图谱的方法;将个体特定图谱的构建视为学习可变形时空观测的神经场;将该方法应用于胎儿子宫内动态 BOLD MRI 时间序列的学习和运动稳定化;与现有方法相比,我们的方法收敛速度快 5-7 倍,为胎儿 BOLD 时 - 通过神经场在相互作用的动力系统中发现潜在场
探索相互作用物体系统中的场效应,通过观察动力学过程来推测潜在的力场,并将其与等变图网络相结合,成功预测未来轨迹。
- ICCV高自由度动态神经场用于机器人自建模和运动规划
使用神经场将机器人的运动学作为神经隐式查询模型来自建模,能够实现比现有方法更广泛的应用,从而为自主代理提供必要的自我建模功能,并在运动规划任务中展示该模型的能力。
- 三平面混合神经场的神经处理
本文通过对三平面离散数据结构进行处理,展示了该结构具有丰富的信息,可以通过标准深度学习模型进行有效处理,并在处理过程中实现了与处理显式表示结构相当的任务性能,同时保持了相同的重建质量。
- 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。
- ICCVNeuRBF:具有自适应径向基函数的神经场表示
我们提出了一种新型的神经场,使用了一般径向基函数进行信号表示。该方法相比于现有的神经场方法,能够更好地适应目标信号,提高径向基函数的通道能力,并且通过混合自适应的径向基函数和基于网格的径向基函数,继承了自适应性和插值平滑性,取得了比现有方法 - 使用场景先验的通用神经场进行三维重建
在高保真度 3D 场景重建方面,神经场的最新进展已经有了实质性的提升。然而,大多数现有方法为每个独立场景训练单独的神经网络,这不可扩展、低效且对有限视角下的结果不理想。本研究引入了训练可推广的神经场,将场景先验结合其中,从而更好地解决上述问 - ICCV一般化的神经场视为部分观测的神经过程
神经场是一种有望替代传统的离散向量或基于网格的表示方法的信号表示方法,通过神经网络将信号表示为一个函数的参数化形式。相比离散表示方法,神经表示方法在分辨率增加时具有更好的可扩展性,是连续的,而且可以多次可微。然而,对于我们想要表示的信号数据 - ResFields:用于时空信号的残差神经场
提出了一种将时间残差层引入神经场的有效方法,用于表示复杂的时间信号,通过降低可训练参数数量和增强泛化能力的矩阵分解技术,实现了对 2D 视频逼近、通过时间 SDFs 进行动态形状建模和动态 NeRF 重建等各种具有挑战性任务中结果的稳定提升 - ICCV混合神经场的规范因子
通过学习一组规范化变换来消除神经场建模中所引入的偏差,我们提出了 TILTED 架构,该架构可以改善表示的效率,并在图像、有符号距离和亮度场重建任务中表现出质量、鲁棒性、紧凑性和运行时间方面的提升。