KI-Glossar
Das vollständige Wörterbuch der Künstlichen Intelligenz
Signed Distance Function (SDF)
Fonction mathématique représentant des surfaces 3D où chaque point de l'espace retourne la distance signée à la surface la plus proche, négative à l'intérieur et positive à l'extérieur. Les SDF neurales utilisent des réseaux pour apprendre ces fonctions continues implicitement.
Implicit Neural Representation
Paradigme de représentation où les réseaux neuronaux encodent des signaux continus comme fonctions implicites plutôt que des structures de données discrètes. Transforme les coordonnées d'entrée en valeurs de signal sans stockage explicite de la géométrie ou des données.
Coordinate-based Neural Networks
Réseaux neuronaux prenant des coordonnées spatiales ou temporelles comme entrées directes pour générer des valeurs de signal continus. Remplacent les représentations basées sur les grilles par des fonctions continues paramétrées par des poids réseau.
Occupancy Networks
Modèles neurales implicites apprenant la fonction d'occupation 3D qui prédit si un point spatial se trouve à l'intérieur ou à l'extérieur d'une surface 3D. Génèrent des représentations de géométrie continues à partir d'ensembles de points ou d'images.
DeepSDF
Architecture apprenant des champs de distance signés continus pour représenter des formes 3D en utilisant des réseaux de neurones profonds. Permet l'interpolation et l'échantillonnage continu dans l'espace des formes sans maillage explicite.
Neural Implicit Surfaces
Surfaces 3D représentées implicitement par des réseaux neuronaux qui définissent des fonctions continues dans l'espace. Évitent les limitations des maillages traditionnels en permettant des représentations continues et sans artefacts.
Differentiable Rendering
Processus de rendu où chaque opération est différentiable, permettant la rétropropagation des gradients depuis les pixels jusqu'aux paramètres de scène. Essentiel pour l'optimisation des représentations neurales implicites à partir d'images 2D.
Continuous Function Representation
Approche encodant des signaux discrets comme des fonctions mathématiques continues pouvant être évaluées à n'importe quel point. Élimine les besoins en interpolation et en échantillonnage discrets traditionnels.
Hybrid Implicit-Explicit Representations
Combinaison de structures de données explicites et de fonctions implicites neurales pour optimiser la représentation et l'échantillonnage. Équilibrent l'efficacité computationnelle avec la flexibilité des représentations continues.
Neural Volume Rendering
Technique utilisant des réseaux neuronaux pour simuler le transport de lumière à travers des milieux volumétriques représentés implicitement. Génère des images 2D photoréalistes à partir de scènes 3D continues sans maillage explicite.
Meta-learning for Implicit Representations
Approche d'apprentissage où les modèles acquièrent la capacité de rapidement s'adapter à de nouvelles représentations implicites avec peu d'exemples. Permet la généralisation rapide à différentes scènes ou signaux continus.
Multi-resolution Hash Encoding
Technique d'encodage spatial utilisant des tables de hachage multi-résolutions pour représenter efficacement des features à différentes échelles spatiales. Accélère significativement l'entraînement des représentations neurales implicites.
Neural Scene Representation
Encodage de scènes complètes comme fonctions continues paramétrées par des réseaux neuronaux, capturant géométrie, apparence et illumination. Permet la manipulation et le rendu de scènes sans structures de données explicites traditionnelles.
Implicit Generative Models
Modèles génératifs définissant une distribution de probabilité implicite plutôt qu'explicite, typiquement via des échantillons ou des scores de densité. Incluent les GANs et les modèles de score pour générer des données complexes.
Neural Implicit Fields
Champs scalaires ou vectoriels représentés par des réseaux neuronaux qui définissent des propriétés continues dans l'espace. Utilisés pour modéliser densité, couleur, ou autres attributs spatiaux de manière différentiable.
Continuous Signal Representation
Représentation de signaux comme des fonctions mathématiques continues évaluables à n'importe quelle résolution sans perte d'information. Transforme les données discrètes en espaces de fonctions continus paramétrés par des réseaux.
Neural Implicit Geometry
Représentation de formes géométriques 3D par des fonctions continues apprises par des réseaux neuronaux plutôt que par des maillages ou voxels discrets. Permet des déformations continues et une résolution infinie théorique.