Implicit Neural Representations
PulseAugur coverage of Implicit Neural Representations — every cluster mentioning Implicit Neural Representations across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
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。
-
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。
-
Fluid-SDF 提供超轻量级、可编辑的隐式形状表示
研究人员开发了 Fluid-SDF，一种新颖的隐式形状表示方法，它使用可微分几何基元代替传统的神经网络。这种方法将参数数量显著减少到 100 以下，使其在边缘设备和增强现实应用中具有高效率。Fluid-SDF 还表现出对噪声数据的鲁棒性，并允许在不重新训练的情况下直接进行零样本形状编辑。
-
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%。
-
新的3D高斯方法提升体数据压缩
研究人员开发了一种使用显式3D高斯表示来压缩3D体数据的新方法。该方法自然地编码了域几何，无需存储非结构化体中的网格，并实现了更高的压缩率。该方法在结构化体上实现了具有竞争力的重建质量和更快的训练速度，同时在非结构化体上显著优于现有方法。
-
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。