COSMO-INR：用于隐式神经表示的复杂正弦调制
计算机视觉与模式识别
2025-12-15 v3
摘要
隐式神经表示（INRs）是一种强大的建模数据范式，提供了离散信号表示的连续替代方案。其能够紧凑地编码复杂信号的能力导致其在众多视觉任务中表现出色。先前的工作表明，INR性能高度取决于底层多层感知器（MLP）中激活函数的选择，但其理论原因仍不清晰。也存在关键局限性，包括谱偏置（对高频内容的敏感性降低）、对噪声的鲁棒性有限，以及难以同时捕获局部和全局结构。我们使用谐波分析和切比雪夫多项式分析 INR 信号表示。我们证明，使用复杂正弦项调制激活函数可在整个网络中提供更丰富且更完整的谱支持。基于此，我们引入一种专为 INR 设计的新激活函数，并通过切比雪夫分析和大量实验验证我们的理论。我们还使用从任务特定模型中提取的正则化深度先验来适应激活函数，进一步提高收敛速度和稳定性。在图像重建（在多样化数据集上平均 PSNR 提升 5.67 dB）、去噪（+0.46 dB PSNR）、超分辨率（6X 放大相对于最近的 SOTA 方法提升 0.64 dB）、图像填充和 3D 形状重建等任务中，我们的激活函数持续优于现有的领先替代方案。
引用
@article{arxiv.2505.11640,
title = {COSMO-INR: Complex Sinusoidal Modulation for Implicit Neural Representations},
author = {Pandula Thennakoon and Avishka Ranasinghe and Mario De Silva and Buwaneka Epakanda and Roshan Godaliyadda and Parakrama Ekanayake and Vijitha Herath},
journal= {arXiv preprint arXiv:2505.11640},
year = {2025}
}
备注
Submitted as a conference paper to ICLR 2026