RHINO：正则化基于哈希的隐式神经表示
计算机视觉与模式识别
2023-09-25 v1
摘要
通过哈希表使用隐式神经表示（INR）已在刻画复杂信号方面展现出令人印象深刻的效力和效率。然而，当前最先进（SOTA）的方法表现出正则化不足，常在插值过程中产生不可靠和含噪的结果。我们发现该问题源于输入坐标与所索引哈希键之间梯度流断裂，其中链式法则试图对离散哈希键而非连续坐标建模。为解决此问题，我们引入RHINO，其中融入了一个连续解析函数，通过在不修改当前基于哈希的INR架构的情况下额外连接输入坐标与网络来促进正则化。该连接确保了梯度从网络输出到输入坐标的无缝反向传播，从而增强正则化。我们的实验结果不仅展示了跨不同基于哈希的INR（如DINER和Instant NGP）的拓宽正则化能力，也展示了跨多种任务（如图像拟合、有符号距离函数表示以及5D静态/6D动态神经辐射场优化）的能力。值得注意的是，RHINO在质量和速度上均优于当前SOTA技术，证实了其优越性。
引用
@article{arxiv.2309.12642,
title = {RHINO: Regularizing the Hash-based Implicit Neural Representation},
author = {Hao Zhu and Fengyi Liu and Qi Zhang and Xun Cao and Zhan Ma},
journal= {arXiv preprint arXiv:2309.12642},
year = {2023}
}
备注
17 pages, 11 figures