摘要

近期的研究引入了一类新的生成模型，用于合成隐式神经表示（INRs），这些模型能够捕捉不同领域的任意连续信号。这类模型为领域无关的生成模型打开了大门，但通常难以实现高质量的生成。我们观察到，现有的方法通过生成神经网络的权重来参数化INRs，并使用固定的 positional embeddings (PEs) 来评估网络。可以认为，这种架构限制了生成模型的表达能力，导致了低质量的 INR 生成。为了克服这一局限，我们提出了一种领域无关的隐式神经表示潜在扩散模型（DDMI），该模型生成自适应的位置嵌入而不是神经网络的权重。具体而言，我们开发了一种离散到连续空间变分自编码器（D2C-VAE），它在共享潜在空间中无缝连接离散数据和连续信号函数。此外，我们还引入了一种新颖的条件机制，通过分层分解的位置嵌入来评估 INRs，以进一步增强其表达能力。广泛的实验表明，在四个模态（例如2D图像、3D形状、Neural Radiance Fields和视频）上使用七个基准数据集进行测试时，DDMI展现了其多功能性和相比现有 INR 生成模型的优越性能。