基于自演化参数的跨频率隐式神经表示
计算机视觉与模式识别
2025-04-16 v1
摘要
隐式神经表示（INR）已成为一种强大的视觉数据表示范式。然而，经典 INR 方法在原始空间中表示数据，混合了不同频率成分，多个特征编码参数（如频率参数 或秩 ）需要人工配置。在本工作中，我们提出一种使用小波变换（称为 CF-INR）的自演化跨频率 INR，将数据解耦为四个频率成分，并在小波空间中采用 INR。CF-INR 允许对不同频率成分进行独立表征，从而实现更高的数据表示精度。为更精确地表征跨频率成分，我们提出一种用于 CF-INR 的跨频率张量分解范式，采用自演化参数，该方法通过自演化优化自动更新每个频率成分的秩参数 和频率参数 。这种自演化范式消除了对这些参数的人工调参，学习针对每个数据集的定制化跨频率特征编码配置。我们在各种视觉数据表示和恢复任务上评估了 CF-INR，包括图像回归、图像缺失、去噪和云层去除。广泛的实验表明，CF-INR 在每种情况下都优于最先进的方法。
引用
@article{arxiv.2504.10929,
title = {Cross-Frequency Implicit Neural Representation with Self-Evolving Parameters},
author = {Chang Yu and Yisi Luo and Kai Ye and Xile Zhao and Deyu Meng},
journal= {arXiv preprint arXiv:2504.10929},
year = {2025}
}