INR-Bench：用于多域回归与重构的隐式神经表示统一基准
机器学习
2025-10-14 v1 计算机视觉与模式识别
摘要
隐式神经表示（INR）因其连续性和无限分辨率优势，在 various 信号处理任务中取得了成功。然而，影响其效果与局限性的因素仍未得到充分探索。为更好地理解这些因素，我们利用神经切点核（NTK）理论的见解，分析了模型架构（经典 MLP 和新兴 KAN）、位置编码以及非线性原语对不同频率信号响应的影响。基于这一分析，我们引入 INR-Bench，这是第一个专为多模态 INR 任务设计的全面基准测试。它包含 56 种坐标-MLP 模型（采用 4 种位置编码和 14 种激活函数）以及 22 种坐标-KAN 模型（具有不同基函数），在 9 个隐式多模态任务上进行评估。这些任务涵盖正向问题和逆向问题，为揭示不同神经模型的优势与局限性提供了稳健平台，从而为未来研究奠定了坚实基础。代码和数据集已提供于 https://github.com/lif314/INR-Bench。
引用
@article{arxiv.2510.10188,
title = {INR-Bench: A Unified Benchmark for Implicit Neural Representations in Multi-Domain Regression and Reconstruction},
author = {Linfei Li and Fengyi Zhang and Zhong Wang and Lin Zhang and Ying Shen},
journal= {arXiv preprint arXiv:2510.10188},
year = {2025}
}