Implicit Neural Representations
PulseAugur coverage of Implicit Neural Representations — every cluster mentioning Implicit Neural Representations across labs, papers, and developer communities, ranked by signal.
8 天有情绪数据
-
OmniStyle-INR 实现视觉数据的通用风格迁移
研究人员推出 OmniStyle-INR，一个专为各种视觉数据类型实现通用和多模态风格迁移的新框架。该方法利用隐式神经表示 (INR) 来处理二维图像、视频、三维场景和四维动态，在数据压缩和超分辨率方面具有优势。OmniStyle-INR 支持通过文本提示和视觉示例进行高质量风格迁移，为依赖高斯泼溅法处理这些连续域的方法提供了一种替代方案。
-
新方法通过分类方法改进隐式神经表示
研究人员开发了一种新颖的隐式神经表示（INRs）方法，该方法解决了其固有的预测误差。通过目标离散化将INR训练重构为分类任务，该方法实现了灵活的分布建模以捕捉复杂行为。与传统的基于回归的方法相比，这种轻量级技术提供了具有竞争力的误差感知能力和高质量的重建效果。
-
新的洛伦兹编码框架增强了MRI光谱重建
研究人员开发了一种新颖的、基于物理信息的洛伦兹编码（LE）框架，用于重建多池化学交换饱和转移（CEST）MRI中的高分辨率Z光谱。该方法通过将重建表述为使用隐式连续坐标学习的自监督任务，解决了CEST MRI中采集时间长的问题。LE通过将稀疏数据投影到由参数洛伦兹曲线决定的空间中来强制执行物理约束，其性能显著优于现有方法，并实现了准确的定量代谢物映射。
-
新型无网格损失将神经表示拟合速度提高了 250 倍
研究人员为隐式神经表示开发了一种新颖的无网格辅助损失函数，利用源自 Minkowski 函数的过零密度。该方法提供了显著的速度提升，比传统的持久同调损失快约 250 倍。虽然在二维中能有效修复拓扑和保持保真度，但该技术在三维中面临挑战，在三维中，梯度下降可能会掩盖低于采样密度的拓扑噪声，从而影响准确性。
-
新的动态神经图编码器改进了INR分类
研究人员开发了一种新颖的动态神经图编码器（DNG-Encoder），用于表示和分析神经网络的高维权重空间。该方法通过将神经网络参数视为动态图来捕获推理过程的顺序性。DNG-Encoder在隐式神经表示（INR）分类等任务上显示出显著改进，在CIFAR-100-INR数据集上的表现比现有最先进方法约好10%。
-
新方法利用隐式神经表示改进心脏运动估计
研究人员探索了四种不同的学习心脏运动先验的策略，以提高隐式神经表示（INRs）在心脏运动估计中的效率和准确性。这些策略包括群体先验、共识先验、自动编码器和元学习，并使用来自英国生物银行的心脏MRI数据进行了评估。结果表明，与随机初始化相比，所有学习到的先验都显著提高了早期适应性能，其中元学习在50次迭代中的整体适应轨迹表现最佳。
-
新方法通过自适应频谱门控增强隐式神经表示
两篇新研究论文提出了改进隐式神经表示（INRs）的新方法。第一篇论文《用于自适应隐式神经表示的阻尼振荡频谱门控》提出了一种技术，其中每个神经元的激活被建模为阻尼谐振器，允许网络在训练过程中自适应其频谱选择性。第二篇论文《FiRe：周期性隐式神经表示的预处理器的频率重参数化》提出了一种名为 FiRe 的方法，该方法对周期性 INR 中的每神经元频率进行重参数化，作为隐式预处理器，以加速优化并提高重建质量。
-
ScaLe-INR 架构解决了隐式神经表示中的频谱偏差问题
研究人员推出了一种新颖的多分支架构 ScaLe-INR，旨在克服隐式神经表示 (INRs) 中的频谱偏差和信息串扰。通过将信号的频谱与其 INR 的最佳工作区域相匹配并使用定向坐标缩放，ScaLe-INR 扩展了表示带宽。新的定向边缘引导损失进一步解耦了分支并最小化了泄露，从而能够在复杂的多尺度拓扑结构中实现高保真信号重建。该方法在图像、音频和 3D 重建任务上展示了比最先进方法显著的性能提升。
-
新研究探讨AI位置编码器的可解释性 · 跟踪2个来源
两篇新研究论文探讨了机器学习中使用的位置编码器的可解释性和空间效应捕获能力。第一篇论文分析了地理隐式神经表示，使用稀疏自编码器和CLIP Surgery等技术，将位置嵌入分解为人类可解释的特征，如稀疏潜在概念、自然语言概念和视觉特征。第二篇论文使用一种名为GeoShapley的博弈论解释器，对TorchSpatial框架中的十一个编码器进行了基准测试，以评估它们在不同尺度上从模型中恢复空间变化系数的能力。两项研究都旨在提供更好的工具来…
-
新的INR方法使用阻尼振荡自适应光谱选择性
研究人员开发了一种新颖的隐式神经表示（INR）方法，解决了光谱困境——即捕捉细节与有效正则化之间的权衡。新方法将神经元激活建模为阻尼谐振器的稳态响应，使网络能够在训练过程中自适应其光谱选择性。该技术能够实现渐进式学习课程，从低频结构开始，根据需要进展到高频细节，而无需进行特定任务的超参数调整。
-
新的arXiv论文探讨了神经ODE、自适应INR和参数化PDE求解器
三篇新的研究论文已在arXiv上发表，每篇都探索了神经网络架构及其应用的新方法。第一篇论文介绍了用于分类任务的具有固定吸引子的神经ODE，其中吸引子指示目标类别，速度场将输入引导至这些目的地。第二篇论文提出了通过阻尼振荡进行光谱门控以实现自适应隐式神经表示，提出了一种将神经元激活建模为阻尼谐振子以在没有显式正则化的情况下适应光谱选择性的方法。第三篇论文详细介绍了参数化表示通过隐式随机调制（PRISM），这是一个专为高维和高阶神经PDE…
-
研究发现，网格在密集信号压缩方面通常优于INR
发表在arXiv上的一篇新研究论文表明，在压缩密集信号时，传统的基于网格的表示通常优于隐式神经表示（INR）。研究发现，对于许多任务而言，正则化网格的训练速度更快，并且在具有相同参数数量的情况下，其质量可与INR媲美或更好。INR主要在拟合形状轮廓等二进制信号方面显示出优势，表明其最有利的具体应用场景。
-
新理论统一了神经表示的可训练正弦激活
研究人员为隐式神经表示（INR）中的可训练正弦激活开发了一个新的理论框架，INR用于建模连续信号。该框架称为正弦可训练激活函数（STAF），允许学习幅度、频率和相位。该研究提供了数学构造，分析了对神经切线核的影响，并提供了一种新的初始化方法。在经验上，STAF在各种INR任务（包括图像重建和NeRF）上表现出具有竞争力或更优的性能，并提高了参数效率。
-
新模型从无标签行为数据中学习策略
研究人员开发了一种新的自监督生成模型，名为 Behavioral INR，它将隐式神经表征（INRs）应用于从无标签行为数据中学习策略表示。该模型通过将每个数据点视为潜在函数的样本，在无需监督的情况下推断策略身份，并能适应可变的片段长度和采样粒度。Behavioral INR 已在机器人、赛车和国际象棋等各种数据集上进行了评估，在策略可识别性方面显示出持续的改进，尤其是在复杂连续状态-动作设置中。
-
MLP秩正则化提升隐式神经表示保真度
研究人员证明，标准多层感知机（MLP）在隐式神经表示（INR）中表示高频内容的能力不足并非架构限制。相反，他们提出训练过程中稳定的秩退化是主要原因。通过在训练过程中调节网络的秩，即使是简单的MLP架构也能实现显著更高的保真度，在图像合成和医学成像等各种领域，PSNR（峰值信噪比）的提升高达9 dB。
-
新方法解决了可变形和多物体场景的三维几何重建问题
两篇新的研究论文介绍了从点云数据重建三维几何的新方法。ParCo-SDF 专注于可变形物体，通过编码时间几何相似性来实现无先验重建。S2MDF 通过引入一个即插即用的层来解决多物体场景表示问题，该层强制执行带符号距离场 (SDF) 的无交集约束，从而提高物理合理性。
-
I-INR: 迭代隐式神经表示
研究人员推出迭代隐式神经表示（I-INRs），这是一个旨在增强现有隐式神经表示（INRs）的新框架。这种即插即用方法可迭代地改进信号重建，解决了标准INR在频谱偏差和噪声敏感性方面的局限性。I-INRs在参数和计算成本仅略微增加的情况下，实现了卓越的重建质量，在图像拟合和去噪等任务上优于WIRE、SIREN和Gauss等成熟方法。
-
Hugging Face 论文介绍 PEPS 以改进神经表示采样
研究人员推出了一种新颖的隐式神经表示（INRs）改进方法——位置编码投影采样（PEPS）。PEPS 将不同频率坐标的投影视为兴趣点，分析其独特的运动模式。该方法能够学习到一种位置编码，在图像表示和纹理压缩等应用中，其性能优于当前最先进的方法，并且通常在达到可比的重建精度时所需的参数更少。