Neural Knitworks：分块神经隐式表示网络
计算机视觉与模式识别
2024-04-16 v2 人工智能
图形学
摘要
基于坐标的多层感知机（MLP）网络尽管能够学习神经隐式表示，但在内部图像合成应用中性能不佳。卷积神经网络（CNN）通常被用于各种内部生成任务，但代价是模型较大。我们提出了 Neural Knitwork，这是一种用于自然图像神经隐式表示学习的架构，它通过以对抗方式优化图像块分布并强制块预测之间的一致性来实现图像合成。据我们所知，这是首个为图像修复、超分辨率和去噪等合成任务量身定制的基于坐标的 MLP 实现。我们通过在这三个任务上进行训练来展示所提技术的效用。结果表明，使用图像块而非像素对自然图像进行建模能产生更高保真度的结果。所得模型所需的参数比基于 CNN 的替代方案少 80%，同时实现了相当的性能和训练时间。
引用
@article{arxiv.2109.14406,
title = {Neural Knitworks: Patched Neural Implicit Representation Networks},
author = {Mikolaj Czerkawski and Javier Cardona and Robert Atkinson and Craig Michie and Ivan Andonovic and Carmine Clemente and Christos Tachtatzis},
journal= {arXiv preprint arXiv:2109.14406},
year = {2024}
}
备注
Published in Pattern Recognition