F-INR：面向隐式神经表示的函数张量分解
机器学习
2025-11-27 v2
摘要
隐式神经表示将信号建模为连续、可微的函数。然而，单体隐式神经表示在数据维度上的扩展性较差，导致训练成本过高。我们提出了 F-INR，这是一个基于函数张量分解将高维隐式神经表示因子化为一组紧凑的、特定于轴的子网络的框架。这些子网络学习低维函数组件，随后通过张量运算进行组合。这种分解降低了计算复杂度，同时进一步提升了表示能力。F-INR 与架构和分解方式无关。它可以与各种现有的隐式神经表示骨干网络（如 SIREN、WIRE、FINER、Factor Fields）和张量格式（如 CP、TT、Tucker）集成，并通过张量秩和模式提供对速度-精度权衡的细粒度控制。我们的实验表明，与现有最先进的隐式神经表示相比，F-INR 将训练速度最高提升了 ，并将保真度提高了超过 \num{6.0} dB PSNR。我们在多种任务上验证了这些增益，包括图像表示、3D 几何重建和神经辐射场。我们进一步通过建模复杂的物理模拟，展示了 F-INR 在科学计算中的适用性。因此，F-INR 为高维信号建模提供了一个可扩展、灵活且高效的框架。项目页面：https://f-inr.github.io
引用
@article{arxiv.2503.21507,
title = {F-INR: Functional Tensor Decomposition for Implicit Neural Representations},
author = {Sai Karthikeya Vemuri and Tim Büchner and Joachim Denzler},
journal= {arXiv preprint arXiv:2503.21507},
year = {2025}
}
备注
Accepted at WACV 2026. Website: https://f-inr.github.io Supplementary Material can be found there. 12 pages, 6 figures, 5 tables