基于目标编码与分类损失的神经场分类器
计算机视觉与模式识别
2024-03-05 v1 机器学习
摘要
神经场方法在计算机视觉和计算机图形学的各种长期存在的任务中取得了巨大进展，包括新视角合成和几何重建。由于现有的神经场方法试图预测一些基于坐标的连续目标值（例如 Neural Radiance Field (NeRF) 的 RGB 值），所有这些方法都是回归模型，并通过某种回归损失进行优化。然而，对于神经场方法而言，回归模型真的比分类模型更好吗？在本工作中，我们尝试从机器学习角度探讨神经场这一非常基本但被忽视的问题。我们成功提出了一种新颖的 Neural Field Classifier (NFC) 框架，该框架将现有的神经场方法表述为分类任务而非回归任务。所提出的 NFC 可以通过采用新颖的 Target Encoding 模块并优化分类损失，轻松地将任意 Neural Field Regressor (NFR) 转换为其分类变体。通过将连续的回归目标编码为高维离散编码，我们自然地构建了一个多标签分类任务。大量实验证明了 NFC 在几乎无额外计算成本下的惊人有效性。此外，NFC 还展示了对稀疏输入、损坏图像和动态场景的鲁棒性。
引用
@article{arxiv.2403.01058,
title = {Neural Field Classifiers via Target Encoding and Classification Loss},
author = {Xindi Yang and Zeke Xie and Xiong Zhou and Boyu Liu and Buhua Liu and Yi Liu and Haoran Wang and Yunfeng Cai and Mingming Sun},
journal= {arXiv preprint arXiv:2403.01058},
year = {2024}
}
备注
ICLR 2024 Main Conference; 17 pages; 11 figures; 13 tables