用于子带分解与操控的多项式神经场
计算机视觉与模式识别
2023-02-10 v1 机器学习
摘要
神经场已成为表示信号的新范式，因其能以紧凑方式表示且易于优化。然而，在大多数应用中，神经场被视为黑箱，这阻碍了诸多信号操控任务。本文中，我们提出一类称为多项式神经场（PNFs）的新神经场。PNF 的关键优势在于可将信号表示为若干可操控且可解释组件的复合，同时不丧失神经场表示的优点。我们开发了用于分析与设计 PNFs 的通用理论框架。利用该框架设计了傅里叶 PNFs，其在使用神经场的信号表示任务中与最优性能相当。此外，我们实证展示傅里叶 PNFs 支持纹理迁移与尺度空间插值等信号操控应用。代码见于 https://github.com/stevenygd/PNF。
引用
@article{arxiv.2302.04862,
title = {Polynomial Neural Fields for Subband Decomposition and Manipulation},
author = {Guandao Yang and Sagie Benaim and Varun Jampani and Kyle Genova and Jonathan T. Barron and Thomas Funkhouser and Bharath Hariharan and Serge Belongie},
journal= {arXiv preprint arXiv:2302.04862},
year = {2023}
}
备注
Accepted to NeurIPS 2022