Spectral Energy Centroid: 一种用于提升性能与分析隐式神经表示中频谱偏差的度量

arXiv cs.LG 论文
implicit-neural-representations spectral-bias frequency-analysis deep-learning metric

摘要

本文介绍了Spectral Energy Centroid (SEC) 度量，用于分析与改进隐式神经表示中的频谱偏差，展示了其在超参数选择、信号复杂度测量和跨架构对齐中的实用性。

arXiv:2605.12709v1 Announce Type: new \n摘要：隐式神经表示（INR）利用多层感知机（MLP）对连续信号进行建模，实现了跨不同领域数据的紧凑、可微且高保真的表示。然而，由于MLP的低频偏差阻碍了小细节的有效学习，必须通过嵌入层仔细调整模型的频率。先前的工作表明，这种调整可以在训练前基于目标信号进行，但未考虑模型深度的显著影响，表明我们对频率与INR性能之间关系的理解仍然有限。为了深入了解这种关系，我们利用Spectral Energy Centroid (SEC) 度量来量化目标图像的频率和INR模型的频谱偏差。我们展示了SEC是用于INR分析的多功能工具，证明了其在三个任务中的实用性：(1) 一种数据驱动的超参数选择策略（SEC-Conf），优于现有启发式方法且对模型深度鲁棒；(2) 可靠的信号复杂度代理；(3) 跨不同INR架构的有效频谱偏差对齐。
查看原文
查看缓存全文

缓存时间: 2026/05/14 06:17 

# 频谱能量质心：提升隐式神经表示性能与分析频谱偏差的度量指标
来源：https://arxiv.org/abs/2605.12709  
查看 PDF（https://arxiv.org/pdf/2605.12709）

> 摘要：隐式神经表示（INRs）利用多层感知器（MLPs）对连续信号进行建模，能够在不同领域实现紧凑、可微分且高保真的数据表示。然而，由于MLP存在低频偏差，难以有效学习细节信息，因此必须通过嵌入层仔细调节模型的频率。先前的研究表明，这种调节可以在训练前根据目标信号进行，但未考虑模型深度的显著影响，说明我们对频率与INR性能之间关系的理解仍然有限。为深入探究这一关系，我们采用频谱能量质心（SEC）度量，该指标可量化目标图像的频率以及INR模型的频谱偏差。我们证明SEC是INR分析的多功能工具，在以下三个任务中展现了其实用性：（1）一种基于数据的超参数选择策略（SEC-Conf），其性能优于现有启发式方法且对模型深度具有鲁棒性；（2）作为信号复杂性的可靠代理指标；（3）有效对齐不同INR架构间的频谱偏差。

## 提交历史

来自：Adam Kania \[查看电子邮件（https://arxiv.org/show-email/60a367fc/2605.12709）\] **\[v1\]** 2026年5月12日星期二 20:16:48 UTC（4,686 KB）

相似文章

密集段落检索中嵌入压缩的谱调整方法

arXiv cs.CL

谱调整（SpecTemp）提出了一种无需学习的密集段落检索嵌入压缩方法，该方法基于信噪比分析自适应地确定最优的谱缩放系数，性能优于PCA和白化等固定超参数方法。

点态指标误导：多模态逆问题的评估协议

arXiv cs.LG

本文表明，对于具有多模态后验的逆问题，像RMSE和MAE这样的点态指标在结构上具有误导性，因为最优点估计会压缩后验并扭曲谱特征。为此，本文提出了一种三部分评估协议，使用逐事件分布准确性、谱保真度诊断和基于覆盖的校准来应对这些失败。