FLAIR：基于频率与局部性的隐式神经表示

隐式神经表示（INR）利用神经网络将坐标映射到相应的信号，从而实现连续且紧凑的表示。该范式已在 various vision任务中推动了显著的进展。然而，现有的INR缺乏频率选择性和空间局部化，导致对冗余信号成分的过度依赖。 consequently，它们表现出谱偏差，倾向于早期学习低频成分，而在捕捉细微高频细节方面受限。为解决这些问题，我们提出了FLAIR（Frequency- and Locality-Aware Implicit Neural Representations），其包含两种关键创新。第一是带locations化激活（Band-Localized Activation, BLA），这是一种用于频率选择和空间局部化的新型激活函数，受时间-频率不确定性原理约束。通过结构化的频率控制和空间局部化响应，BLA有效缓解了谱偏差并增强了训练稳定性。第二是小波能量引导编码（Wavelet-Energy-Guided Encoding, WEGE），它利用离散小波变换计算能量得分，并显式引导频率信息导入网络，从而实现精确的频率选择和自适应带控制。我们的方法在2D图像表示、3D形状重建和新视角合成方面均 consistently 优于现有的INR。