neural field
PulseAugur coverage of neural field — every cluster mentioning neural field across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
JSolver框架支持从单能CT扫描中进行多材料分解
研究人员开发了JSolver，一种用于使用单能CT（SECT）投影进行多材料分解（MMD）的新型框架。与需要谱CT扫描仪的传统方法不同，JSolver在一个步骤中联合重建材料成分并估计X射线能谱。这种方法减轻了传统两步过程的伪影，并提高了分解精度。该框架利用隐式神经表示（INR）作为无监督深度学习求解器，通过对连续图像模式的归纳偏置来提高估计质量。实验表明，与现有的SEMMD方法相比，JSolver具有更高的准确性和计算效率。
-
新的块状优化器增强了用于大规模神经网络的立方牛顿方法
本文介绍了一种新颖的块状优化器，旨在提高用于大规模神经网络训练的立方正则化牛顿方法的效率。所提出的方法使用 Lanczos 构建的 Krylov 子空间内的无矩阵方法来处理任意大的参数张量，确保步长能够精确地最小化三次模型。与 ARC、Adam 和 L-BFGS 等现有方法相比，新的变体在性能上表现更优，特别是在一个 91.4M 参数的隐式神经表示上，其中一个变体在图像拟合任务中实现了显著更高的峰值信噪比。
-
新的神经表示方法增强了三维重力反演
研究人员开发了一种新颖的无监督方法，用于通过深度感知隐式神经表示进行三维重力反演。该方法使用多个神经网络直接从重力测量数据中优化得到，以表示地下密度体，并结合了基于物理的先验知识，无需标记的密度模型。实验表明，与传统和基线神经网络方法相比，该方法性能更优，能够生成更准确、空间上更连贯的密度重建，尤其在分离邻近异常和保持垂直范围方面表现出色。该方法有望在无法获得真实密度模型的地下成像场景中得到改进。
-
新的神经表示方法改进了纵向MRI分析
研究人员开发了一种新颖的、患者特定的条件隐式神经表示（INR），旨在处理纵向多参数MRI数据中缺失的序列和变化的が解度。该模型将MRI数据视为坐标、时间和模态的连续函数，能够在没有固定体素网格的情况下进行空间和时间内插。在儿科脑肿瘤患者数据上进行评估，INR在T1CE和FLAIR序列上显示出比线性内插具有统计学上的显著改进，T1CE的平均MS-SSIM达到0.95。
-
新的 SIINR 框架通过不确定性量化增强临床 dMRI 分辨率
研究人员开发了 SIINR，一种用于增强扩散磁共振成像 (dMRI) 数据分辨率的新型框架。该方法不仅提高了临床 dMRI 的结构细节，还量化了重建输出中的不确定性。SIINR 集成了监督式 3D U-net 和自监督式隐式神经表示来实现这一目标，在各种 dMRI 数据集上表现优于标准插值技术。该框架在临床应用中显示出潜力，例如识别多发性硬化症和脑部病变患者的变化。
-
新AI框架以更高精度重建胎儿大脑MRI
研究人员开发了PRIME-SVR，一种新颖的隐式神经表示框架，用于从2D MRI切片堆重建高分辨率3D胎儿大脑容积。该方法首次通过强制执行源自Bloch方程的正则化来实现跨回波相干性，从而能够跨多个回波时间进行定量T2图谱绘制。PRIME-SVR在大量胎儿成像数据上得到验证，与现有方法相比，显著提高了重建清晰度、解剖准确性和结构一致性，同时还缩短了采集时间。
-
新的LIIFusion框架提高了生成式MEF的效率和质量
研究人员推出了一种新颖的粗到细框架LIIFusion，旨在提高生成式多重曝光融合（MEF）的效率和质量。该方法解决了基于扩散的MEF方法中常见的计算成本和结构保真度问题。该框架首先进行具有自适应曝光校正的低分辨率生成融合，以恢复丢失的结构细节。然后，它采用局部隐式图像函数来创建多重曝光融合函数，从而能够进行任意坐标查询和证据融合，而不受输入分辨率的影响。据报道，LIIFusion在现有生成方法的基础上实现了3.5倍的速度提升，同时保持…
-
新的CHOIR方法增强了多维数据的隐式神经表示
研究人员引入了一种名为校准谐波叠加隐式神经表示（CHOIR）的新方法，以提高多维数据隐式神经表示（INRs）的稳定性和性能。CHOIR用协调谐波叠加（CHS）取代了传统的函数组合，以确保优化稳定性，尤其是在网络深度增加的情况下。它还通过嵌入自然图像先验和调整频谱分布来解决频谱偏差，并结合了感知频谱校准（PSC）。实验表明，CHOIR在各种数据恢复任务上的表现优于现有的最先进方法。
-
PatchINR 使用基于块的方法将 INR 推理延迟降低 75%
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。
-
神经场改进天气预报数据同化
研究人员开发了一种新颖的基于神经场的方法用于四维变分数据同化（4DVAR），这是数值天气预报中一个关键但计算量巨大的过程。这种新方法将时空状态表示为一个由神经网络参数化的连续函数，该函数充当隐式正则化器，以稳定状态估计并减少振荡。该框架允许并行时间优化，并直接纳入物理约束，在基准测试中显示出比传统4DVAR更高的准确性和显著的速度提升，且无需地面真实训练数据。
-
PiG-Avatar 使用神经场生成逼真的 3D 头像
研究人员推出了一种新颖的逼真 3D 头像生成方法 PiG-Avatar。该方法将头像的几何形状与身体模板表面分离，从而能够更准确地表示复杂的服装和非刚性运动。PiG-Avatar 利用神经场来引导高斯表示，实现实时渲染并在基准测试中达到最先进的质量。