增强隐式神经表征抗权重扰动的鲁棒性
计算机视觉与模式识别
2025-08-20 v1
摘要
隐式神经表征（INR）通过神经网络将离散信号编码为连续形式，在 various multimedia 应用中展现出巨大的价值。然而，INRs 的脆弱性构成了其在实际部署中的关键挑战，因为网络权重可能遭受不可避免的扰动。本文首次研究了 INRs 的鲁棒性，发现即使是微小的扰动也会导致信号重建质量出现显著的性能下降。为缓解此问题，我们通过最小化带权重扰动与无权重扰动之间的损失差异来构建鲁棒性问题。进一步推导了一种新颖的鲁棒损失函数，以调节重建损失对权重的梯度，从而提升鲁棒性。跨多个模态的重建任务的大量实验表明，在噪声条件下，我们的方法相较于原始 INRs 可实现最高达 7.5~dB 的峰值信噪比（PSNR）提升。
引用
@article{arxiv.2508.13481,
title = {Enhancing Robustness of Implicit Neural Representations Against Weight Perturbations},
author = {Wenyong Zhou and Yuxin Cheng and Zhengwu Liu and Taiqiang Wu and Chen Zhang and Ngai Wong},
journal= {arXiv preprint arXiv:2508.13481},
year = {2025}
}
备注
4 pages, 7 figures