DINER：无序不变隐式神经表示
图像与视频处理
2022-11-16 v1 计算机视觉与模式识别
摘要
隐式神经表示 (INR) 将信号的属性刻画为相应坐标的函数，已成为解决逆问题的利器。然而，INR 的能力受限于网络训练中的谱偏置。在本文中，我们发现这一与频率相关的问题可以通过重新排列输入信号的坐标得到大幅缓解，为此我们提出了无序不变隐式神经表示 (DINER)，通过向传统 INR 骨干网络增添哈希表来实现。给定具有相同属性直方图和不同排列顺序的离散信号，哈希表可将坐标投影到同一分布，使得映射后的信号能够由后续 INR 网络更好地建模，从而显著减轻谱偏置。实验不仅揭示了 DINER 对不同 INR 骨干网络 (MLP 与 SIREN) 和多种任务 (图像/视频表示、相位恢复和折射率恢复) 的泛化能力，也展示了其在质量和速度上相对于最先进 (SOTA) 算法的优越性。
引用
@article{arxiv.2211.07871,
title = {DINER: Disorder-Invariant Implicit Neural Representation},
author = {Shaowen Xie and Hao Zhu and Zhen Liu and Qi Zhang and You Zhou and Xun Cao and Zhan Ma},
journal= {arXiv preprint arXiv:2211.07871},
year = {2022}
}
备注
10 pages, 11 figures