可变码率神经场
计算机视觉与模式识别
2022-06-16 v1 图形学
机器学习
多媒体
摘要
标量和向量场（如有符号距离函数和辐射场）的神经近似已成为精确、高质量的表征。最先进的结果是通过用来自可训练特征网格的查找来条件化神经近似获得的，这些特征网格承担了部分学习任务，并允许更小、更高效的神经网络。不幸的是，与独立的神经网络模型相比，这些特征网格通常以显著增加内存消耗为代价。我们提出一种字典方法来压缩此类特征网格，将其内存消耗降低多达 100 倍，并允许一种可用于核外流式的多分辨率表征。我们将字典优化公式化为向量量化自解码器问题，这让我们能够在没有直接监督可用且具动态拓扑和结构的空间中端到端学习离散神经表征。我们的源代码将可在 https://github.com/nv-tlabs/vqad 获取。
引用
@article{arxiv.2206.07707,
title = {Variable Bitrate Neural Fields},
author = {Towaki Takikawa and Alex Evans and Jonathan Tremblay and Thomas Müller and Morgan McGuire and Alec Jacobson and Sanja Fidler},
journal= {arXiv preprint arXiv:2206.07707},
year = {2022}
}
备注
SIGGRAPH 2022. Project Page: https://nv-tlabs.github.io/vqad/