Содержимое этого сайта переведено с помощью искусственного интеллекта (ИИ) или технологии машинного перевода и может содержать ошибки.

Skip to content
3D
Artificial Intelligence
Computer Vision

VI3NR: Инициализация с учетом дисперсии для неявных нейронных представлений

View Publication

Author

Чамин Хева Конепутугодаге (Австралийский национальный университет), Ицхак Бен-Шабат (Австралийский национальный университет и Roblox), Самира Рамасингхе (Pluralis AI), Стивен Гулд (Австралийский национальный университет)

Venue

CVPR 2025

Abstract

Неявные нейронные представления (INR) являются универсальным и мощным инструментом для кодирования различных форм данных, включая изображения, видео, звук и 3D-формы. Ключевым фактором успеха INR является инициализация сети, которая может существенно повлиять на сходимость и точность обученной модели. К сожалению, широко используемые методы инициализации нейронных сетей не подходят для многих активационных функций, особенно тех, которые применяются в INR. В данной работе мы усовершенствуем предыдущие методы инициализации, предложив способ, который обеспечивает стабильную дисперсию по всем слоям и применим к любой активационной функции. Мы показываем, что этот подход обобщает многие предыдущие методы инициализации и демонстрирует ещё более высокую стабильность для хорошо изученных активационных функций. Мы также показываем, что наша инициализация приводит к улучшению результатов при использовании активационных функций INR в различных модальностях сигналов. Наш подход особенно эффективен для гауссовых INR, где мы демонстрируем, что теория нашей инициализации согласуется с результатами выполнения задач в ходе нескольких экспериментов, что позволяет нам добиться улучшений при реконструкции изображений, аудио и 3D-поверхностей.