面向隐式神经表示的内容感知频率编码：融合傅里叶-切比雪夫特征
计算机视觉与模式识别
2026-03-03 v1 人工智能
摘要
隐式神经表示（Implicit Neural Representations, INRs）已成为各种信号处理任务的强大范式，但其固有的谱偏限制了捕捉高频细节的能力。现有方法通过使用傅里叶基频来部分缓解此问题，通常依赖于固定的频率基。这迫使多层感知器（MLP）低效地组合所需频率，从而限制了其表征能力。为此，我们提出内容感知频率编码（Content-Aware Frequency Encoding, CAFE），其基于傅里叶特征通过多个平行线性层组合实现，采用哈达巴尔积积分类。CAFE 能够显式且高效地综合更广泛的频率基，而通过学习的权重实现任务相关频率的选择。此外，我们进一步提出 CAFE+，将切比雪夫特征作为傅里叶基的补充组件。这种组合提供了更强大且更稳定的频率表示。广泛的实验在多个基准上验证了我们方法的有效性与效率，始终优于现有方法。我们的代码已发布于 https://github.com/JunboKe0619/CAFE。
引用
@article{arxiv.2603.01028,
title = {Content-Aware Frequency Encoding for Implicit Neural Representations with Fourier-Chebyshev Features},
author = {Junbo Ke and Yangyang Xu and You-Wei Wen and Chao Wang},
journal= {arXiv preprint arXiv:2603.01028},
year = {2026}
}
备注
21 pages, 22 figures, 8 tables