基于 Fourier Kolmogorov-Arnold 网络的隐式神经表示
计算机视觉与模式识别
2025-01-15 v3
摘要
隐式神经表示（Implicit Neural Representations, INRs）使用神经网络为复杂信号提供连续且分辨率无关的表示，所需参数较少。然而，现有的 INR 模型往往无法捕获特定于每个任务的重要频率分量。为此，本文提出了一种用于 INRs 的傅里叶 Kolmogorov-Arnold 网络（Fourier Kolmogorov-Arnold network, FKAN）。 proposed FKAN 利用以傅里叶级数建模的可学习激活函数于第一层，以有效控制和学习任务特定的频率分量。此外，具有可学习傅里叶系数的激活函数可提高网络捕获复杂模式和细节的能力，这对高分辨率和高维数据有益。实验结果表明，我们提出的 FKAN 模型在三个最先进的基准方案中均取得优异成绩，分别在图像表示任务和 3D 占用体表示任务中提高了峰信噪比（PSNR）和结构相似性指数（SSIM），以及交并比（IoU）。代码已在 github.com/Ali-Meh619/FKAN 上提供。
引用
@article{arxiv.2409.09323,
title = {Implicit Neural Representations with Fourier Kolmogorov-Arnold Networks},
author = {Ali Mehrabian and Parsa Mojarad Adi and Moein Heidari and Ilker Hacihaliloglu},
journal= {arXiv preprint arXiv:2409.09323},
year = {2025}
}
备注
Accepted for publication in Proc. IEEE ICASSP 2025