研究人员开发了LH-NeF，一个使用神经场学习连续信号分词表示的新框架。该方法结合了层次结构和空间局部性先验，实现了一种前馈编码方法，与以前的元学习技术相比，显著减少了内存使用并增加了批处理大小。LH-NeF在图像、3D形状和气候场等各种数据类型上表现出色，与现有的专用和通用基线相当或超越。 AI
影响 引入了一种更节省内存且可扩展的方法，用于使用神经场从连续信号中学习表示。
排序理由 该集群包含一篇详细介绍神经场新框架的研究论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.08204v1 Announce Type: new Abstract: Neural fields parameterize data as functions from coordinates to values, providing a unified framework for representation learning across modalities. Existing approaches are dominated by per-sample meta-learning, which scales poorly…
Neural fields parameterize data as functions from coordinates to values, providing a unified framework for representation learning across modalities. Existing approaches are dominated by per-sample meta-learning, which scales poorly due to memory-intensive inner-loop optimization…