SHACIRA：面向隐式神经表示的可扩展哈希网格压缩
计算机视觉与模式识别
2023-09-28 v1 人工智能
机器学习
摘要
隐式神经表示（INR）或神经场已成为编码图像与辐射场等多媒体信号同时保留高保真度的流行框架。近期，Instant-NGP 提出的可学习特征网格通过以多分辨率特征向量查找表与小得多的神经网络替代大型神经网络，显著加速了 INR 的训练与采样。然而，这些特征网格以高内存消耗为代价，可能成为存储与流式传输应用的瓶颈。本工作中，我们提出 SHACIRA，一个简单而有效的任务无关框架，用于压缩此类特征网格，无需额外的后处理剪枝/量化阶段。我们用量化潜在权重重新参数化特征网格，并在潜在空间施加熵正则化，以跨多个领域实现高压缩率。在由图像、视频与辐射场组成的多样数据集上的定量与定性结果表明，我们的方法优于现有 INR 方法，且无需任何大型数据集或领域特定启发式。我们的项目页面位于 http://shacira.github.io 。
引用
@article{arxiv.2309.15848,
title = {SHACIRA: Scalable HAsh-grid Compression for Implicit Neural Representations},
author = {Sharath Girish and Abhinav Shrivastava and Kamal Gupta},
journal= {arXiv preprint arXiv:2309.15848},
year = {2023}
}