Neural Gaussian Scale-Space Fields

要約

ガウス スケール空間は信号表現と処理の基礎であり、フィルタリング、マルチスケール解析、アンチエイリアシングなどに応用されます。
ただし、このようなスケール空間を取得することは、特にニューラル フィールドなどの連続表現の場合、コストがかかり、面倒です。
任意の信号の完全連続の異方性ガウス スケール空間を学習するための効率的で軽量な方法を紹介します。
フーリエ特徴変調とリプシッツ境界に基づいて、私たちのアプローチは自己教師ありでトレーニングされます。つまり、トレーニングには手動のフィルター処理は必要ありません。
当社のニューラル ガウス スケール空間フィールドは、幅広いモダリティにわたるマルチスケール表現を忠実にキャプチャし、さまざまなアプリケーションをサポートします。
これらには、イメージ、ジオメトリ、ライトステージ データ、テクスチャ アンチエイリアス、マルチスケール最適化が含まれます。

要約(オリジナル)

Gaussian scale spaces are a cornerstone of signal representation and processing, with applications in filtering, multiscale analysis, anti-aliasing, and many more. However, obtaining such a scale space is costly and cumbersome, in particular for continuous representations such as neural fields. We present an efficient and lightweight method to learn the fully continuous, anisotropic Gaussian scale space of an arbitrary signal. Based on Fourier feature modulation and Lipschitz bounding, our approach is trained self-supervised, i.e., training does not require any manual filtering. Our neural Gaussian scale-space fields faithfully capture multiscale representations across a broad range of modalities, and support a diverse set of applications. These include images, geometry, light-stage data, texture anti-aliasing, and multiscale optimization.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google