MINER：多尺度隐式神经表示
计算机视觉与模式识别
2022-07-19 v2
摘要
我们引入一种为新高效高分辨率大规模信号表示设计的神经信号模型。我们的多尺度隐式神经表示（MINER）的关键创新在于通过拉普拉斯金字塔的内部表示，其提供信号的稀疏多尺度分解，捕捉跨尺度的信号正交部分。我们利用拉普拉斯金字塔的优势，以小型MLP表示每个尺度上金字塔的小的不相交块。这使得网络容量可从粗到细尺度自适应增加，且仅表示具有强信号能量的信号部分。每个MLP的参数从粗到细尺度优化，从而在较粗尺度实现更快近似，最终带来极快训练过程。我们将MINER应用于一系列大规模信号表示任务，包括十亿像素图像与极大点云，并展示其达到相同表示精度所需参数少于竞争技术（如ACORN）的25%、内存占用33%、计算时间10%。
引用
@article{arxiv.2202.03532,
title = {MINER: Multiscale Implicit Neural Representations},
author = {Vishwanath Saragadam and Jasper Tan and Guha Balakrishnan and Richard G. Baraniuk and Ashok Veeraraghavan},
journal= {arXiv preprint arXiv:2202.03532},
year = {2022}
}
备注
14 pages, accepted to ECCV 2022