无需反向传播逃离频谱偏差：基于极限学习机的快速隐式神经表示
机器学习
2026-02-10 v1 数值分析
数值分析
摘要
训练隐式神经表示以捕获精细尺度细节通常依赖于迭代反向传播，并且当目标具有高度非均匀频率内容时，常常受到频谱偏差的阻碍。我们提出ELM-INR，一种无需反向传播的隐式神经表示，它将域分解为重叠子域，并使用极限学习机以闭式形式拟合每个局部问题，用稳定的线性最小二乘解替代迭代优化。这种设计通过单位划分组合局部预测器，实现了快速且数值鲁棒的重建。为了理解在固定局部容量下近似变得困难的位置，我们从频谱Barron范数角度分析了该方法，揭示了全局重建误差由具有高频谱复杂度的区域主导。基于这一见解，我们引入了BEAM，一种自适应网格细化策略，平衡子域间的频谱复杂度，以在容量受限条件下提高重建质量。
引用
@article{arxiv.2602.07603,
title = {Escaping Spectral Bias without Backpropagation: Fast Implicit Neural Representations with Extreme Learning Machines},
author = {Woojin Cho and Junghwan Park},
journal= {arXiv preprint arXiv:2602.07603},
year = {2026}
}