稀疏输入的神经辉度场的协调网络与张量特征的协同集成提升
原文中文,约300字,阅读约需1分钟。发表于: 。本研究提出一种将多平面表达与基于坐标的网络协同整合的方法,在处理稀疏输入的静态和动态神经辐射场时,实现了与显式编码相媲美的效果,且参数更少。
提出了一种利用MLPs和grid representations的新方法,通过Coordinate-Aware Modulation (CAM)将grid representations注入MLP的中间特征来增强神经表示的性能和学习稳定性。CAM在多种信号上提高了性能,并在动态场景的新视角合成任务中取得了最先进的性能,同时具有最少的参数和快速的训练速度,并且在静态场景下以1MB内存获得了最佳性能,相比使用神经场的最佳视频压缩方法有很大的优势。