用于优化基于坐标的神经表示的习得初始化
计算机视觉与模式识别
2021-03-24 v2
摘要
基于坐标的神经表示已显示出作为复杂低维信号离散数组表示的替代方案的显著前景。然而，为每个新信号从随机初始化权重优化一个基于坐标的网络是低效的。我们提出应用标准元学习算法，基于所表示信号的底层类别（例如人脸图像或椅子3D模型）来学习这些全连接网络的初始权重参数。尽管在实现上仅需微小改动，使用这些习得初始权重能在优化期间实现更快收敛，并可作为对所建模型信号类别的强先验，从而在给定信号仅有部分观测时带来更好泛化。我们在多种任务上探究这些益处，包括表示2D图像、重构CT扫描，以及从2D图像观测恢复3D形状与场景。
引用
@article{arxiv.2012.02189,
title = {Learned Initializations for Optimizing Coordinate-Based Neural Representations},
author = {Matthew Tancik and Ben Mildenhall and Terrance Wang and Divi Schmidt and Pratul P. Srinivasan and Jonathan T. Barron and Ren Ng},
journal= {arXiv preprint arXiv:2012.02189},
year = {2021}
}
备注
Project page: https://www.matthewtancik.com/learnit