論文の概要: HyperDiffusion: Generating Implicit Neural Fields with Weight-Space
Diffusion
- arxiv url: http://arxiv.org/abs/2303.17015v1
- Date: Wed, 29 Mar 2023 20:44:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-31 15:01:03.331624
- Title: HyperDiffusion: Generating Implicit Neural Fields with Weight-Space
Diffusion
- Title(参考訳): hyperdiffusion: 重み空間拡散を伴う暗黙的神経場の生成
- Authors: Ziya Erko\c{c}, Fangchang Ma, Qi Shan, Matthias Nie{\ss}ner, Angela
Dai
- Abstract要約: 暗黙の神経場は、高忠実でコンパクトな表現として約束を示している。
ハイパー拡散(HyperDiffusion)は、暗黙のニューラルネットワークの無条件生成モデルのための新しいアプローチである。
- 参考スコア(独自算出の注目度): 23.98783284083211
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Implicit neural fields, typically encoded by a multilayer perceptron (MLP)
that maps from coordinates (e.g., xyz) to signals (e.g., signed distances),
have shown remarkable promise as a high-fidelity and compact representation.
However, the lack of a regular and explicit grid structure also makes it
challenging to apply generative modeling directly on implicit neural fields in
order to synthesize new data. To this end, we propose HyperDiffusion, a novel
approach for unconditional generative modeling of implicit neural fields.
HyperDiffusion operates directly on MLP weights and generates new neural
implicit fields encoded by synthesized MLP parameters. Specifically, a
collection of MLPs is first optimized to faithfully represent individual data
samples. Subsequently, a diffusion process is trained in this MLP weight space
to model the underlying distribution of neural implicit fields. HyperDiffusion
enables diffusion modeling over a implicit, compact, and yet high-fidelity
representation of complex signals across 3D shapes and 4D mesh animations
within one single unified framework.
- Abstract(参考訳): 通常多層パーセプトロン(mlp)によってコードされる暗黙的神経場は、座標(例えばxyz)から信号(例えば符号付き距離)にマッピングされる。
しかし、規則的かつ明示的なグリッド構造が欠如しているため、新しいデータを合成するために暗黙の神経場に直接生成モデリングを適用することが困難になる。
そこで本研究では,暗黙的神経野の無条件生成モデリングのための新しいアプローチであるhyperdiffusionを提案する。
HyperDiffusion は MLP の重みを直接操作し、合成 MLP パラメータで符号化された新しい暗黙の場を生成する。
具体的には、MLPのコレクションは、まず個々のデータサンプルを忠実に表現するように最適化される。
その後、このMLP重み空間において拡散過程を訓練し、神経暗黙界の基底分布をモデル化する。
HyperDiffusionは、単一の統一フレームワーク内で3次元形状と4次元メッシュアニメーションをまたいだ複雑な信号の暗黙的かつコンパクトで高忠実な表現を拡散モデリングできる。
関連論文リスト
- PolyDiff: Generating 3D Polygonal Meshes with Diffusion Models [15.846449180313778]
PolyDiffは、現実的で多様な3Dポリゴンメッシュを直接生成できる最初の拡散ベースのアプローチである。
我々のモデルは、下流3Dに統合可能な高品質な3D多角形メッシュを生成することができる。
論文 参考訳(メタデータ) (2023-12-18T18:19:26Z) - Accurate Differential Operators for Hybrid Neural Fields [33.66664168359758]
レンダリングとシミュレーションでは、ハイブリッドニューラルネットワークは顕著で不合理なアーティファクトを引き起こす可能性がある。
本稿では,局所的なフィールドフィッティングを用いて,事前学習したニューラルネットワークからより正確な導関数を得るポストホック演算子を提案する。
また、初期信号を保持しながら直接神経誘導体を精製する自己教師型微調整手法を提案する。
論文 参考訳(メタデータ) (2023-12-10T20:14:58Z) - ResFields: Residual Neural Fields for Spatiotemporal Signals [61.44420761752655]
ResFieldsは、複雑な時間的信号を効果的に表現するために設計された新しいネットワークのクラスである。
本稿では,ResFieldの特性を包括的に解析し,トレーニング可能なパラメータの数を減らすための行列分解手法を提案する。
スパースRGBDカメラからダイナミックな3Dシーンをキャプチャする効果を示すことで,ResFieldsの実用性を実証する。
論文 参考訳(メタデータ) (2023-09-06T16:59:36Z) - Geometric Neural Diffusion Processes [55.891428654434634]
拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。
これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
論文 参考訳(メタデータ) (2023-07-11T16:51:38Z) - Diffusion with Forward Models: Solving Stochastic Inverse Problems
Without Direct Supervision [76.32860119056964]
本稿では,直接観測されない信号の分布からサンプルを学習する拡散確率モデルを提案する。
コンピュータビジョンの課題3つの課題に対して,本手法の有効性を示す。
論文 参考訳(メタデータ) (2023-06-20T17:53:00Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳(メタデータ) (2023-04-08T07:55:36Z) - Online Neural Path Guiding with Normalized Anisotropic Spherical
Gaussians [20.68953631807367]
1つの小さなニューラルネットワークを用いて空間変動密度モデルを学習するための新しいオンラインフレームワークを提案する。
我々のフレームワークは、段階的に分布を学習し、ウォームアップフェーズは不要である。
論文 参考訳(メタデータ) (2023-03-11T05:22:42Z) - Score-based Diffusion Models in Function Space [140.792362459734]
拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。
本稿では,関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)という,数学的に厳密なフレームワークを提案する。
データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
論文 参考訳(メタデータ) (2023-02-14T23:50:53Z) - Deep Marching Tetrahedra: a Hybrid Representation for High-Resolution 3D
Shape Synthesis [90.26556260531707]
DMTetは粗いボクセルのような単純なユーザーガイドを用いて高解像度の3次元形状を合成できる条件付き生成モデルである。
メッシュなどの明示的な表現を直接生成する深部3次元生成モデルとは異なり、我々のモデルは任意の位相で形状を合成することができる。
論文 参考訳(メタデータ) (2021-11-08T05:29:35Z) - Accurate and efficient Simulation of very high-dimensional Neural Mass
Models with distributed-delay Connectome Tensors [0.23453441553817037]
本稿では,2つの必須成分によって定義された高次元ニューラルマスモデル(NMM)を効率的に統合する手法を提案する。
1つ目は、各神経質量の力学の非線形ランダム微分方程式の集合である。
2つ目は、接続の強度と各接続の軸線に沿った情報伝達の遅延を符号化する、非常にスパースな3次元コネクトーム(CT)である。
論文 参考訳(メタデータ) (2020-09-16T05:55:17Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。