SASNet: 用于 INRs 的空间自适应正弦网络
计算机视觉与模式识别
2026-03-31 v4
摘要
正弦神经网络（SIREN）是视觉与图形学中用于低维信号的强大隐式神经表示（INR）。它们通过正弦函数编码输入坐标，实现高频图像与表面重建。然而，训练 SIREN 往往不稳定且对频率初始化高度敏感：小频率在细节区域产生过于平滑的重建，而大频率则在图像背景等平滑区域引入虚假高频分量，表现为噪声。为解决这些挑战，我们提出 SASNet（空间自适应正弦网络），将冻结的频率嵌入层（显式固定网络的频率支撑）与联合学习的空间掩码配对，以在域内定位神经元影响。这种配对稳定了优化过程、锐化了边缘并抑制了平滑区域的噪声。在 2D 图像和 3D 体数据拟合以及有符号距离场（SDF）重建基准上的实验表明，SASNet 实现了更快的收敛速度、更优的重建质量和稳健的频率定位——将低频神经元和高频神经元分别分配给平滑区域和细节区域，同时保持了参数效率。代码地址：https://github.com/Fengyee/SASNet_inr
引用
@article{arxiv.2503.09750,
title = {SASNet: Spatially-Adaptive Sinusoidal Networks for INRs},
author = {Haoan Feng and Diana Aldana and Tiago Novello and Leila De Floriani},
journal= {arXiv preprint arXiv:2503.09750},
year = {2026}
}
备注
CVPR2026, 10 pages, 10 figures, suppl included