TT-NF：张量列神经场
机器学习
2022-10-03 v1 计算机视觉与模式识别
机器学习
摘要
学习神经场一直是深度学习研究中的活跃课题，除其他问题外，聚焦于寻找更紧凑且易拟合的表示。本文引入一种称为张量列神经场(TT-NF)的新型低秩表示，用于在稠密规则网格上学习神经场及从中采样的高效方法。我们的表示是神经场的TT参数化，通过反向传播训练以最小化非凸目标。我们分析两种设定下低秩压缩对下游任务质量指标的影响。首先，我们在张量去噪的沙盒任务中展示方法效率，该任务可与旨在最小化重建误差的基于SVD的方案比较。此外，我们将所提方法应用于神经辐射场(NeRF)，其中对应最佳质量的场的低秩结构只能通过学习发现。
引用
@article{arxiv.2209.15529,
title = {TT-NF: Tensor Train Neural Fields},
author = {Anton Obukhov and Mikhail Usvyatsov and Christos Sakaridis and Konrad Schindler and Luc Van Gool},
journal= {arXiv preprint arXiv:2209.15529},
year = {2022}
}
备注
Preprint, under review