neural field
PulseAugur coverage of neural field — every cluster mentioning neural field across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
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。