signal representation | BriefGPT

关键词signal representation

搜索结果 - 10

将语义先验编码到隐式神经表示的权重中
本文提出了一种名为 SPW 的重新参数化方法，通过在 INR 模型的权重中编码语义先验，从而使 INR 模型隐含地包含语义信息并增强了其表征能力。实验证明，SPW 在多个任务上显著提高了各种 INR 模型的性能，包括图像拟合、CT 重建、M
PDFa month ago
神经高斯尺度空间场
我们提出了一种高效、轻量级的方法，用于学习任意信号的全连续、各向异性的高斯尺度空间。基于傅立叶特征调制和利普希茨边界，我们的方法通过自我监督训练，能够忠实地捕捉多尺度表示，支持各种应用，包括图像、几何、光场数据、纹理抗锯齿和多尺度优化。
PDFa month ago
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。
PDFa month ago
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
PDF8 months ago
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
PDF9 months ago
重新审视匹配追踪：超越近似子模性
通过引入期望下具有子模性的函数，我们解决了从大量向量中选择子集问题。该函数的引入不仅在预期意义下通过贪心算法保证了接近最优，而且缓解了通常使用的匹配追踪算法的缺陷。同时，我们还探究了该贪心算法和匹配追踪算法之间的关系，并通过角度到达估计问题
PDFa year ago
CVPR通过自身对隐式神经表示进行正则化
本文提出了一个称为隐式神经表示正则化器的正则化器 (INRR)，以提高隐式神经表示 (INR) 的泛化能力。 INRR 通过将归一化的 Dirichlet 能量 (DE) 与 INR 集成来改善信号表示中的泛化性能，从而更好地集成了信号的自
PDFa year ago
用调制周期激活实现可推广的本地功能表示
本文提出了一种使用双重 Multi-Layer Perceptrons（MLPs）体系结构的信号表示方法，其中合成网络创建了从低维输入到输出域的功能映射，调制网络将目标信号对应的潜在代码映射到调制周期激活的参数，实现了图像、视频和形状的可推
PDF3 years ago
寻找 GEMS：高维图信号的多尺度词典
本文提出了一种适用于更广泛类型的图信号的字典学习算法，该算法通过将学习到的字典原子强制设置为图小波函数的稀疏组合，以及添加直接的图约束来提高特征和多样性领域的平滑度，从而实现了对感兴趣的数据进行调整，同时遵循底层图结构和具有所需的多尺度属性
PDF6 years ago
深度卷积框架：逆问题的通用深度学习框架
通过使用多层卷积框架来实现完美重建（PR）并符合矩形线性单元非线性（ReLU），本文提出了一种新的深度卷积框架神经网络的理论，并证明了这一发现表明深度学习的成功并不是来自于黑箱的魔力，而是来自于非局部基底的新型信号表示方法的力量，这种方法与
PDF7 years ago