SL$^{2}$A-INR：用于隐式神经表示的单层可学习激活

隐式神经表示（Implicit Neural Representation, INR）利用神经网络将坐标输入转换为相应的属性，近期在多个视觉相关领域推动了显著进展。然而，INR 的性能在很大程度上受其多层感知机（MLP）架构中所使用的非线性激活函数的影响。迄今为止，已有多种非线性函数被研究，但当前的 INR 在捕获高频分量和多种信号类型方面仍面临局限性。我们表明，通过在 INR 架构中引入一种新方法可以缓解这些挑战。具体而言，我们提出了 SL$^{2}$A-INR，这是一种将单层可学习激活函数与使用传统 ReLU 激活的 MLP 相结合的混合网络。我们的方法在图像表示、3D 形状重建和新视角合成等多种任务中表现优异。通过全面的实验，SL$^{2}$A-INR 为 INR 在准确性、质量和鲁棒性方面设定了新的基准。我们的代码已在~\href{https://github.com/Iceage7/SL2A-INR}{\textcolor{magenta}{GitHub}}~上公开。