Tag · 3 篇
重参数化
分布 底层视觉与图像复原1生成模型与扩散13D 视觉与重建1
01 02 03
面向多维数据恢复的重参数化张量环函数分解
Reparameterized Tensor Ring Functional Decomposition for Multi-Dimensional Data Recovery
把张量环分解的因子用隐式神经表示参数化，使分解能作用于非网格数据（如点云），并通过频率域分析指出因子谱结构限制高频建模，再用「可学习潜张量×固定基」的重参数化改善训练动力学——这套思路可直接迁移到任意基于 INR 的连续信号重建与逆问题求解中。
面向过离散潜变量建模的负二项变分自编码器
Negative Binomial Variational Autoencoders for Overdispersed Latent Modeling
为VAE类生成模型提供了一种带离散计数潜变量的替代方案：用负二项分布刻画过离散的脉冲式潜变量，并给出可用的KL估计与重参数化技巧，可直接替换Poisson VAE的等均值-方差假设，用于需要稀疏、离散潜表征的视觉重建与生成任务。
HyperGaussians：用于高保真可动画人脸头像的高维高斯泼溅
HyperGaussians: High-Dimensional Gaussian Splatting for High-Fidelity Animatable Face Avatars
把 3D 高斯原语升级为高维多元高斯，并用「逆协方差技巧」重参数化协方差矩阵以避免高维求逆，这一表示层面的改造可直接替换现有 3DGS 管线中的原语，用于提升高频细节与非线性形变的表达能力。