集成神经表示网络
机器学习
2022-03-16 v2 图像与视频处理
信号处理
摘要
隐式神经表示（INR）近来因以连续形式存储各类信号而备受关注。现有 INR 网络需要漫长的训练过程和高性能计算资源。本文提出一种新颖的 INR 次优集成架构，解决了上述问题。在该架构中，表示任务被划分为若干由独立子网络完成的子任务。我们表明，若子网络的维度增大，所提集成 INR 架构的性能可能下降。因此，提出一种优化算法以寻找集成网络的次优结构至关重要，本文完成了此项工作。根据仿真结果，所提架构不仅具有显著更少的浮点运算次数（FLOPs）和更短的训练时间，而且在峰值信噪比（PSNR）方面也优于同类模型。
引用
@article{arxiv.2110.04124,
title = {Ensemble Neural Representation Networks},
author = {Milad Soltany Kadarvish and Hesam Mojtahedi and Hossein Entezari Zarch and Amirhossein Kazerouni and Alireza Morsali and Azra Abtahi and Farokh Marvasti},
journal= {arXiv preprint arXiv:2110.04124},
year = {2022}
}
备注
IEEE Signal Processing Letters submitted, 5 pages, 6 figures, 2 tables