通用神经规范场
计算机视觉与模式识别
2024-02-08 v3 图形学
摘要
神经场（如神经辐射场）近期的进展显著推进了场景表示学习的边界。为了提升三维场景的计算效率与渲染质量，一类流行研究将三维坐标系映射到另一度量系统（如二维流形与哈希表）以建模神经场。坐标系的转换通常可称为\emph{规范变换}（gauge transformation），其通常为预定义的映射函数，例如正交投影或空间哈希函数。这引出一个问题：我们能否以端到端方式直接学习所需的规范变换以及神经场？本工作中，我们将该问题扩展为一个包含离散与连续情形分类的通用范式，并开发了联合优化规范变换与神经场的训练框架。为应对规范变换学习易崩溃的问题，我们从规范变换中信息守恒原理出发推导出一种通用正则化机制。为避免带正则化的规范学习所带来的高计算成本，我们直接推导出一种信息不变的规范变换，其能固有地保留场景信息并带来优越性能。项目：https://fnzhan.com/Neural-Gauge-Fields
引用
@article{arxiv.2305.03462,
title = {General Neural Gauge Fields},
author = {Fangneng Zhan and Lingjie Liu and Adam Kortylewski and Christian Theobalt},
journal= {arXiv preprint arXiv:2305.03462},
year = {2024}
}
备注
ICLR 2023