E-NeRV：提升内隐神经视频表征效率的时空背景解纠缠方法

"E-NeRV：基于时空背景的内隐神经视频表征方法" E-NeRV（E-Neural Video Representation via Spatio-Temporal Disentanglement）是一种新颖的神经视频表征方法，旨在解决传统内隐神经表征（INR）在视频处理中的参数冗余问题。传统的INR在处理连续信号时，如空间和时间信息，往往通过直接从帧索引输入来输出视频帧，这导致模型参数的耦合和尺寸增大。E-NeRV针对这一挑战，提出了将空间和时间背景进行解纠缠的新公式，实现了模型参数的显著减少，同时保持甚至提升了表示能力。 E-NeRV的核心创新在于将视频的时空信息分解为独立的空间和时间背景。这种解纠缠的方法使得模型能够更加高效地处理视频数据，减少了冗余参数，从而在不牺牲性能的情况下减小了模型规模。通过这种方式，E-NeRV可以实现更快的收敛速度和更高的计算效率。实验结果显示，这种方法能以较少的参数显著提升算法性能，比原版NeRV的收敛速度提高了8倍。 论文作者包括李子章、Mengmeng Wang、Huaijin Pi、Jianbiao Mei和Yong Liu，他们均来自浙江大学。该研究进一步拓展了INR在神经视频表示领域的应用，特别是在3D任务和图像表示方面，提供了更轻量级且高效的解决方案。通过引入光网络和解纠缠的时空表示，E-NeRV不仅优化了模型参数的分布，还增加了卷积块中的信道维度，这有助于在保持相似或更少参数的前提下，提升模型的性能。 关键词涵盖内隐表征、神经视频表征、时空解纠缠，强调了该工作的核心概念和技术。E-NeRV的源代码已经公开，可以在GitHub上通过链接https://github.com/kyleleey/E-NeRV获取，便于其他研究者和开发者进行研究和应用。 E-NeRV的提出对视频处理和计算机视觉领域具有重要意义，它推动了内隐神经表示技术的发展，降低了大规模视频处理的计算需求，为未来高效率、高质量的视频分析和生成奠定了基础。随着技术的不断进步，可以预见E-NeRV将在虚拟现实、增强现实、视频编码和传输等领域发挥重要作用。