用于高效高保真表示的循环正弦隐式神经表示
摘要
本文提出了一种循环正弦架构用于隐式神经表示,通过利用正弦循环产生的谐波线谱富集,以更少的参数和优化步骤实现更高的保真度。
查看缓存全文
缓存时间: 2026/07/24 05:05
论文页面 - 递归正弦隐式神经表示用于高效高保真度表征
来源: https://huggingface.co/papers/2607.21485
摘要
我们研究了正弦递归作为一种迭代机制,用于隐式神经表示(INR)中的谐波谱丰富。我们的分析揭示,正弦激活会诱导出谐波线谱,从而从谱学角度解释了递归展开如何丰富有效谱支持。我们通过共享的正弦块实现这一原理,该块迭代地优化潜在表示。我们通过前馈式 INR、非正弦递归变体以及平衡态风格的正弦模型,经验性地验证了所得谱行为。作为分析的补充,我们在图像和三维表示任务上评估了所提出的架构。在 RGB 图像基准测试中,我们的方法以更少的参数和更少的优化步骤达到了比前馈基线更高的保真度,并且进一步在超分辨率、NeRF 和 SDF 任务中展现出良好的迁移能力。
查看 arXiv 页面 (https://arxiv.org/abs/2607.21485) 查看 PDF (https://arxiv.org/pdf/2607.21485) 项目页面 (https://hyeon-cho.github.io/Harmonic-line-Spectrum/) GitHub (https://github.com/hyeon-cho/Harmonic-Siren) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2607.21485)
在你的代理中获取此论文:
hf papers read 2607.21485
没有最新的 CLI? curl -LsSf https://hf.co/cli/install.sh | bash
引用此论文的模型 0
没有模型链接此论文
在模型的 README.md 中引用 arxiv.org/abs/2607.21485 以从本页链接。
引用此论文的数据集 0
没有数据集链接此论文
在数据集的 README.md 中引用 arxiv.org/abs/2607.21485 以从本页链接。
引用此论文的 Space 0
没有 Space 链接此论文
在 Space 的 README.md 中引用 arxiv.org/abs/2607.21485 以从本页链接。
包含此论文的收藏集 0
没有收藏集包含此论文
将此论文添加到一个收藏集 (https://huggingface.co/new-collection) 中以从本页链接。
相似文章
SirenFNO:傅里叶神经算子的高效全频学习
SirenFNO利用正弦表示网络学习全频傅里叶核,消除了频率截断,在提高PDE基准准确性的同时实现了显著的参数减少。
基于隐式神经表示的数据驱动视频编解码器
本文提出一种视频编解码器,将视频和音频存储为正弦表示网络(SIREN)的权重,利用知识蒸馏和量化进行压缩。实验显示,与原始网络相比压缩比为2.61倍,但质量落后于H.264和HEVC等标准编解码器。
架构影响隐式神经表征中的迁移特异性
本文研究了SIREN、ReLU MLP和傅里叶特征MLP中隐式神经表征的迁移特异性,发现迁移幅度和特异性依赖于架构,其中ReLU更具选择性,而SIREN广泛重用权重。结果表明,架构选择应考虑显式的控制条件,而不仅仅是迁移幅度。
基于神经网络的呼吸性窦性心律失常分析
本文提出了一种基于神经网络的方法,利用呼吸性窦性心律失常从ECG信号中估算呼吸频率。该方法评估了不同的深度学习架构以自动提取特征,为非侵入性监测提供了一种可扩展的解决方案。
[R] SineKAN:基于正弦激活函数的Kolmogorov-Arnold网络
SineKAN 提出了一种基于正弦激活函数的 Kolmogorov-Arnold 网络变体,在基准任务上,与基线 KAN 模型相比,显示出相当或更好的性能,并有显著的速度提升。