.png){kind=icon}
返回
PEPS: Positional Encoding Projected Sampling
.png){kind=icon}
PRE
AI
DOI：10.1145/3806062.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
隐式神经表示（INRs）正越来越多地被用作将坐标映射到信号的工具，涵盖从神经场到纹理压缩、形状表示等应用。大多数INR方法基于使用网格或位置编码等编码器对初始坐标进行高维投影。然而，位置编码往往不足，而网格（如本文所示）需要高分辨率才能进行学习。本文表明，位置编码不仅可以作为高维嵌入使用，还可以分解为一组有意义的点。我们提出了位置编码投影采样方法，其中将原始坐标在每个频率上的投影视为一个兴趣点。我们描述了每个点相对于频率的运动，并证明其遵循独特模式。最后，我们利用每个点的独特运动作为基础分解，通过网格进行学习的位置编码。通过三种竞争性应用—图像表示、纹理压缩和有符号距离函数—证明所提方法优于当前最先进方法，且在等价重建误差或渲染下通常仅需减少25%的参数。
Keyword:
NATURAL IMAGES
NOISE
STATISTICS
MUSIC
期刊
P
IF:
2.3
论文数:
17
被引数:
0
机构
暂无机构信息
.png){kind=icon}
查看更多内容