PREF：用于紧凑神经表示的相量嵌入场
计算机视觉与模式识别
2026-05-21 v4 图形学
摘要
我们提出了一种高效的基于频率的神经表示，称为 PREF：一个浅层 MLP 增强了一个相量体，其覆盖比先前傅里叶特征映射或位置编码更显著的边界谱。其核心是我们紧凑的 3D 相量体，其中频率沿 2D 平面均匀分布并沿 1D 轴扩张。为此，我们开发了一种定制且高效的傅里叶变换，结合快速傅里叶变换与局部插值以加速朴素的傅里叶映射。我们还引入了 Parsvel 正则化器以稳定基于频率的学习。通过这些方式，我们的 PREF 减少了基于频率的表示中昂贵的 MLP，从而显著缩小了其与其它混合表示之间的效率差距，并提升了其可解释性。综合实验表明，我们的 PREF 能够捕获高频细节同时保持紧凑与鲁棒，包括 2D 图像泛化、3D 有符号距离函数回归和 5D 神经辐射场重建。
引用
@article{arxiv.2205.13524,
title = {PREF: Phasorial Embedding Fields for Compact Neural Representations},
author = {Binbin Huang and Xinhao Yan and Anpei Chen and Shenghua Gao and Jingyi Yu},
journal= {arXiv preprint arXiv:2205.13524},
year = {2026}
}