Глоссарий ИИ
Полный словарь искусственного интеллекта
Signed Distance Function (SDF)
Математическая функция, представляющая 3D-поверхности, где каждая точка пространства возвращает подписанное расстояние до ближайшей поверхности, отрицательное внутри и положительное снаружи. Нейронные SDF используют сети для неявного обучения этих непрерывных функций.
Implicit Neural Representation
Парадигма представления, в которой нейронные сети кодируют непрерывные сигналы как неявные функции, а не дискретные структуры данных. Преобразует входные координаты в значения сигнала без явного хранения геометрии или данных.
Coordinate-based Neural Networks
Нейронные сети, принимающие пространственные или временные координаты в качестве прямых входных данных для генерации непрерывных значений сигнала. Заменяют основанные на сетках представления непрерывными функциями, параметризованными весами сети.
Occupancy Networks
Неявные нейронные модели, обучающие 3D-функцию занятости, которая предсказывает, находится ли пространственная точка внутри или снаружи 3D-поверхности. Генерируют непрерывные представления геометрии из облаков точек или изображений.
DeepSDF
Архитектура, обучающая непрерывные поля подписанных расстояний для представления 3D-форм с использованием глубоких нейронных сетей. Позволяет непрерывную интерполяцию и выборку в пространстве форм без явной сетки.
Neural Implicit Surfaces
3D-поверхности, представленные неявно нейронными сетями, которые определяют непрерывные функции в пространстве. Избегают ограничений традиционных сеток, позволяя непрерывные представления без артефактов.
Differentiable Rendering
Процесс рендеринга, где каждая операция дифференцируема, позволяя обратное распространение градиентов от пикселей к параметрам сцены. Необходим для оптимизации неявных нейронных представлений из 2D-изображений.
Continuous Function Representation
Подход, кодирующий дискретные сигналы как непрерывные математические функции, которые могут быть вычислены в любой точке. Устраняет потребность в традиционной дискретной интерполяции и выборке.
Гибридные неявно-явные представления
Сочетание явных структур данных и неявных нейронных функций для оптимизации представления и дискретизации. Балансируют вычислительную эффективность с гибкостью непрерывных представлений.
Нейронный объемный рендеринг
Техника, использующая нейронные сети для симуляции переноса света через объемные среды, представленные неявно. Генерирует фотореалистичные 2D-изображения из непрерывных 3D-сцен без явной сетки.
Мета-обучение для неявных представлений
Подход к обучению, при котором модели приобретают способность быстро адаптироваться к новым неявным представлениям при наличии малого количества примеров. Позволяет быструю генерализацию к различным сценам или непрерывным сигналам.
Многомасштабное хэш-кодирование
Техника пространственного кодирования, использующая хэш-таблицы с разным разрешением для эффективного представления признаков на различных пространственных масштабах. Значительно ускоряет обучение неявных нейронных представлений.
Нейронное представление сцены
Кодирование полных сцен в виде непрерывных функций, параметризованных нейронными сетями, захватывающих геометрию, внешний вид и освещение. Позволяет манипулировать и рендерить сцены без традиционных явных структур данных.
Неявные генеративные модели
Генеративные модели, определяющие неявное, а не явное, распределение вероятностей, как правило, через выборки или оценки плотности. Включают GAN и модели на основе оценок для генерации сложных данных.
Нейронные неявные поля
Скалярные или векторные поля, представленные нейронными сетями, которые определяют непрерывные свойства в пространстве. Используются для моделирования плотности, цвета или других пространственных атрибутов дифференцируемым способом.
Представление непрерывных сигналов
Представление сигналов в виде непрерывных математических функций, которые можно вычислить с любым разрешением без потери информации. Преобразует дискретные данные в непрерывные функциональные пространства, параметризованные сетями.
Нейронная неявная геометрия
Представление трехмерных геометрических форм с помощью непрерывных функций, изучаемых нейронными сетями, а не с помощью дискретных сеток или вокселей. Позволяет осуществлять непрерывные деформации и теоретически бесконечное разрешение.