Implicit Neural Representations
PulseAugur coverage of Implicit Neural Representations — every cluster mentioning Implicit Neural Representations across labs, papers, and developer communities, ranked by signal.
9 天有情绪数据
-
新的Hybrid-PCGC方法增强点云几何压缩
研究人员开发了一种新颖的高效点云几何压缩方法Hybrid-PCGC。该方法结合了学习模型的广泛适用性与隐式神经表示（INRs）的特定适应性。Hybrid-PCGC通过将实例特定的权重偏移作为受速率约束的传输变量进行优化，解决了现有混合方法的局限性，从而提高了适应效率并降低了比特流开销。
-
新方法对齐神经网络权重，降低 NeRF 模型中的障碍
研究人员开发了一种名为“渐进式排列对齐与温度控制谱锐化”（Progressive Permutation Alignment with Temperature-Controlled Spectral Sharpening）的新方法，以解决隐式神经网络表示（INRs）中的排列对称性挑战。该技术通过渐进式对齐层，使用匈牙利算法进行离散匹配，并使用谱退火进行锐化，从而实现稳定的权重空间操作。该方法在恢复神经元对应关系和降低 MLP、CNN …
-
新的TriINR方法使用隐式神经表示进行湍流缓解
研究人员开发了TriINR，一种用于减轻图像中大气湍流的新型无监督方法。该方法利用三个隐式神经表示（INR）分别对清晰图像、倾斜和模糊分量进行建模。通过将倾斜和模糊视为时空INR，TriINR实现了与先前方法不同的帧数无关和内存高效的优化。实验表明，TriINR在恢复各种湍流强度下的图像质量方面优于现有技术，并在真实场景中表现出鲁棒性。
-
隐式神经表示推动周期性时序图像配准发展
研究人员开发了一种名为Temporal-IDIR的新方法，该方法利用隐式神经表示（INRs）进行周期性时序图像配准。该方法优化单个INR，以同时模拟整个图像序列中的形变，从而实现自正则化。引入了时序一致性损失来惩罚帧之间变换的差异。在DIR-LAB数据集上进行评估，Temporal-IDIR实现了1.03毫米的目标配准误差，优于其他基于INR的方法，并能在时间帧之间提供平滑插值。
-
新的INR框架融合MLP和KAN以改进信号表示
研究人员开发了一个新的隐式神经表示（INR）框架，该框架融合了多层感知器（MLP）和Kolmogorov-Arnold网络（KAN），以更好地建模多维信号。这种混合方法解决了传统MLP的光谱偏差问题（倾向于低频），因为它允许KAN分支捕获高频细节。该框架集成了离散小波变换，以分解和融合两个分支的输出，鼓励互补的面向频率的建模。在图像、体积和光场等各种信号类型上的实验表明，重建保真度有所提高。
-
新方法可学习谱激活改进神经网络表示
研究人员推出了一种新颖的隐式神经表示（INR）方法——可学习谱激活（LSA）。LSA用截断的傅里叶级数残差替换固定的非线性，允许在训练期间学习谐波幅度。该方法通过将线性权重选择与频谱整形分离开来，优化了表示的分解，从而在音频、图像和神经场等各种任务中提高了优化和重建质量。
-
新型图元网络实现跨架构模型转换
研究人员开发了图元网络（GMNs），可以直接操作神经网络的参数，从而实现预测模型属性和转换已训练模型等任务。CrossGMN模型通过处理源网络和目标网络来专门解决跨架构转换问题，例如模型压缩。这种方法可以加快知识蒸馏的速度，并且无需重新训练即可在不同数据集之间进行迁移。此外，可迁移图元网络增强了GMNs，以在不同网络宽度下实现更好的泛化能力，尤其是在最大更新参数化（$\mu$P）下训练的网络。
-
新的 ACES 框架提高了隐式神经表示的训练效率
研究人员开发了 ACES（自适应覆盖感知高效采样）框架，旨在提高隐式神经表示（INRs）的训练效率。与先前逐点或均匀采样的旧方法不同，ACES 使用自适应空间分区来确保域覆盖，并优先处理信息丰富的区域进行训练。实验表明，这种方法可以降低梯度方差并提高优化效率，从而加快收敛速度并降低错误率，尤其是在处理具有局部复杂性的场时。
-
DiffusionShadow 使用扩散模型实现更快的带阴影神经体积渲染
研究人员开发了 DiffusionShadow，一种用于在神经体积渲染中生成阴影的新颖框架。该方法利用扩散模型将一组预先计算的阴影表示压缩成一个单一、高效的模型。通过将扩散模型与光照方向进行条件关联，它可以即时预测阴影 INR 权重，从而在没有显著内存开销的情况下实现更快的渲染。实验表明，DiffusionShadow 生成的阴影与参考结果相当，同时在速度和存储效率方面优于传统方法。
-
New framework tracks topological features directly in continuous implicit models
研究人员开发了一个新框架，用于在连续隐式模型（如隐式神经网络表示（INRs）和多元函数逼近（MFAs））中直接跟踪拓扑特征。该方法避免了将数据重采样到离散网格上的需要，从而防止了离散化伪影，并实现了更平滑、更连贯的临界点轨迹。该框架被证明是通用的，可用于各种隐式表示，并支持围绕这些模型的新功能驱动的可视化工作流程。
-
新AI框架可自动进行MRI扫描的沟槽角分析
研究人员开发了SA-Profile，这是一个用于从超分辨率MRI容积分析沟槽角的自动化框架，以评估滑车发育不良。该方法从标准MRI扫描中重建高分辨率容积，并使用U-Net模型检测标志点，计算跨越滑车区域的连续SA测量值。与手动单层测量相比，该自动化方法显示出11.6度的平均绝对误差，提供了对滑车形态更详细的表征，并可能有助于滑车发育不良的诊断和理解。
-
新的能量先验增强了稀疏数据的三维形状补全能力
研究人员开发了一种新方法，以提高隐式神经表示（INRs）在三维形状补全方面的准确性，尤其是在处理稀疏观测数据时。他们的方法引入了一种受观测条件约束的潜在能量先验，该先验与现有的潜在先验协同工作，引导模型进行更合理的几何重建。该技术在与细胞核和医学形状相关的数据集上进行了评估，在最稀疏的条件下表现出持续的改进，并优于基线方法。
-
新的MRI超分辨率方法实现更快的训练和更高的质量
研究人员开发了一种新颖的单受试者弥散MRI超分辨率迁移学习框架。该方法在一个高分辨率模板上预训练一个隐式神经表示（INR），然后针对特定受试者扫描进行微调。该方法显著提高了图像质量和微观结构估计指标，在Human Connectome Project数据上将归一化均方根误差（NRMSE）降低了36-49%，将特征相似性指数（FSIM）提高了24-43%，同时与最近的基线相比，训练速度也提高了六倍。
-
新方法加速神经光场重建
研究人员开发了一种使用隐式神经表示来表示光场的新方法，旨在提高重建速度和效率。该方法将四维光场分解为水平视差、空间纹理和垂直视差平面。然后，每个平面使用低秩结构表示，该结构结合了多分辨率的低分辨率二维网格和高分辨率一维线特征，并通过轻量级多层感知器进行解码。实验表明，与现有技术相比，该方法在模型参数、训练时间和推理速度方面取得了更好的平衡，同时实现了具有竞争力的重建质量。
-
新AI方法改进心脏灌注MRI量化
研究人员开发了一种新方法，该方法使用物理信息神经网络（PINNs）与时空隐式神经表示（INRs）相结合，以增强心脏磁共振成像（CMR）心肌灌注的量化。这种新方法旨在通过将MR信号表示为连续函数来提高灌注参数估计的准确性和一致性。在模拟中，PINN-INR模型在参数估计方面表现出比现有技术更强的鲁棒性和更高的精度。
-
高斯表示在医学影像中优于隐式方法
一篇新的arXiv论文认为，显式基元表示，特别是基于高斯的表示，在医学影像任务中优于隐式神经表示。该论文强调，虽然隐式方法提供了高保真度，但其计算成本和内存需求对于高分辨率数据来说是重大的瓶颈。相比之下，高斯表示在显微镜组织学和计算机断层扫描数据集的实验中，展示了更低的优化时间和内存使用量，同时匹配或超越了重建指标。
-
新AI方法使用隐式神经网络建模地理萎缩进展
研究人员开发了一种使用隐式神经网络（INRs）的新方法来模拟年龄相关性黄斑变性（AMD）患者的地理萎缩（GA）进展。该方法旨在即使在数据有限的情况下，也能在个体层面预测病灶随时间的增长。所提出的方法展示了具有竞争力的分割质量，在GA病灶面积方面实现了最低的平均绝对误差，在Dice分数方面实现了最高，同时保持了眼底自发荧光（FAF）图像的质量。
-
新型 HMoE Transformer 推进 INR 权重空间分类
研究人员开发了一种新颖的层级专家混合 (HMoE) Transformer，用于直接在隐式神经表示 (INR) 的权重空间中进行分类任务。该方法解决了 INR 权重高维度和复杂参数结构的挑战。HMoE Transformer 利用与 INR 底层网络结构对齐的条件计算，并结合元学习框架，在包括 ImageNet-1K 在内的基准测试中取得了最先进的准确率。该研究还引入了权重空间归因和剪枝方法，以理解 INR 如何编码判别性信息，揭示了…
-
新的TOM-GS方法通过时域不透明度调制实现可编辑视频
研究人员推出了一种新方法TOM-GS，该方法利用具有时域不透明度调制的静态3D高斯来实现可编辑视频表示。该方法通过为每个高斯的不透明度分配可学习的时域均值和尺度，使静态空间组件能够平滑地淡入淡出场景。与依赖复杂空间变形的方法不同，TOM-GS保持了静态空间几何结构，这有利于更广泛的手动和基于物理的编辑，并确保与现有3D编辑工具的兼容性。
-
新的隐式神经表示方法增强了体数据处理能力
研究人员正在开发新的隐式神经表示（INR）方法，以更高效、更准确地处理体数据。一种方法“从标量到时间序列”通过将数据视为索引时间序列来重新构建问题，从而降低了计算成本并提高了重建质量。另一种方法“Lossless-INR”通过将体素值分解为二进制位平面来实现3D科学体数据的比特精确重建，从而实现忠实的渲染和分析。