具有学习不连续性的二维神经场
计算机视觉与模式识别
2024-08-05 v1 图形学
摘要
有效的二维图像表示是数字图像处理中的基础问题，其中传统方法如光栅图形和矢量图形分别在锐度和纹理复杂性方面存在困难。现有的神经场具有高保真度和分辨率无关性，但需要具有已知不连续性的预定义网格，从而限制了其用途。我们观察到，通过将所有网格边视为潜在的不连续性，可以用连续变量表示不连续性的幅度并进行优化。基于这一观察，我们提出了一种新型不连续神经场模型，能够联合逼近目标图像并恢复不连续性。通过系统性评估，我们的神经场在去噪和超分辨率任务上相比 InstantNGP 表现出更优性能，分别实现了超过 5dB 和 10dB 的提升。我们的模型在精确捕获不连续性方面也优于 Mumford-Shah 方法，Chamfer 距离比真实值近 3.5 倍。此外，我们的方法在处理复杂艺术绘图和自然图像方面表现出显著能力。
引用
@article{arxiv.2408.00771,
title = {2D Neural Fields with Learned Discontinuities},
author = {Chenxi Liu and Siqi Wang and Matthew Fisher and Deepali Aneja and Alec Jacobson},
journal= {arXiv preprint arXiv:2408.00771},
year = {2024}
}