通过软挖掘加速神经场训练
计算机视觉与模式识别
2023-12-04 v1
摘要
我们提出一种通过高效选择采样位置来加速神经场训练的方法。尽管神经场近期变得流行，其训练通常通过均匀采样训练域或借助手工启发式进行。我们表明，通过基于重要性采样的软挖掘技术可实现改进的收敛性和最终训练质量：不是完全考虑或忽略某个像素，而是用标量对相应损失进行加权。为实现我们的想法，我们使用朗之万蒙特卡洛采样。我们表明，这样做会更频繁地选择误差较大的区域，从而带来超过2倍的收敛速度提升。本研究的代码和相关资源公开于 https://ubc-vision.github.io/nf-soft-mining/。
引用
@article{arxiv.2312.00075,
title = {Accelerating Neural Field Training via Soft Mining},
author = {Shakiba Kheradmand and Daniel Rebain and Gopal Sharma and Hossam Isack and Abhishek Kar and Andrea Tagliasacchi and Kwang Moo Yi},
journal= {arXiv preprint arXiv:2312.00075},
year = {2023}
}