神经高斯尺度空间场
计算机视觉与模式识别
2024-07-23 v1 图形学
机器学习
摘要
高斯尺度空间是信号表示和处理的基石，应用于滤波、多尺度分析、抗锯齿等。然而，获得这样的尺度空间是昂贵且繁琐的，特别是对于连续表示如神经场。我们提出了一种高效且轻量级的方法来学习任意信号的完全连续、各向异性高斯尺度空间。基于傅里叶特征调制和Lipschitz边界，我们的方法以自监督方式训练，即训练不需要任何手动滤波。我们的神经高斯尺度空间场忠实地捕获了广泛模态的多尺度表示，并支持多种应用。这些包括图像、几何、光场数据、纹理抗锯齿和多尺度优化。
引用
@article{arxiv.2405.20980,
title = {Neural Gaussian Scale-Space Fields},
author = {Felix Mujkanovic and Ntumba Elie Nsampi and Christian Theobalt and Hans-Peter Seidel and Thomas Leimkühler},
journal= {arXiv preprint arXiv:2405.20980},
year = {2024}
}
备注
15 pages; SIGGRAPH 2024; project page at https://neural-gaussian-scale-space-fields.mpi-inf.mpg.de