具有学习哈希探测的紧凑神经图形基元

当神经图形基元的神经网络通过空间数据结构进行增强时，其速度更快且质量更高，这些数据结构持有以网格形式排列的可训练特征。然而，现有的特征网格要么内存占用大（稠密或分解网格、树和哈希表），要么性能缓慢（索引学习和矢量量化）。在本文中，我们表明具有学习探测的哈希表没有上述缺点，从而实现了尺寸和速度的有利组合。在同等质量下，其推理速度快于未探测的哈希表，而训练速度仅慢 1.2-2.6 倍，显著优于先前的索引学习方法。我们通过将所有特征网格纳入一个通用框架来得出这一公式：它们各自对应于索引到特征向量表中的查找函数。在此框架中，现有数据结构的查找函数可以通过其索引的简单算术组合进行结合，从而实现帕累托最优的压缩和速度。