研究人员开发了 PatchINR，这是一种新颖的基于块的隐式神经表示 (INR) 方法，可显著降低高分辨率信号建模的计算成本。通过将不重叠的块作为基本单元进行处理，PatchINR 在单次前向传播中预测整个像素块，与传统的逐像素方法相比，大大减少了推理查询。该方法在参数开销极小的情况下实现了可比的重建质量，并将推理延迟降低了 75%。此外，还提出了一种用于 FPGA 的硬件加速架构，以进一步提高 PatchINR 的效率。 AI
影响 这种基于块的方法可以实现隐式神经表示在高分辨率信号建模中更高效和可扩展的应用。
排序理由 该集群描述了一篇新的研究论文，其中详细介绍了一种用于提高隐式神经表示效率的新颖方法和硬件架构。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2606.25534v1 Announce Type: new Abstract: Implicit Neural Representation (INR) provides an effective approach for continuous signal modeling, but classical per-pixel inference results in quadratic growth in inference count, leading to dramatically increased computational co…
Implicit Neural Representation (INR) provides an effective approach for continuous signal modeling, but classical per-pixel inference results in quadratic growth in inference count, leading to dramatically increased computational costs in high-resolution application scenarios. To…