谱能质心：用于改进隐式神经表示性能与分析谱偏差的度量
机器学习
2026-05-14 v1
摘要
隐式神经表示 (INR) 使用多层感知机 (MLP) 对连续信号进行建模，使其能够在不同领域中实现数据的数字化、可微和高保真表示。然而，由于 MLP 的低频偏好阻碍了对小细节的有效学习，必须通过嵌入层精心调整模型的频率。先前的工作已在训练前基于目标信号进行此种调整，但未考虑模型深度的显著影响，表明我们对频率与 INR 性能之间关系的理解仍有限。为获得这些关系的见解，我们利用谱能质心 (SEC) 度量来量化目标图像的频率以及 INR 模型的谱偏差。我们展示 SEC 是一个多功能的 INR 分析工具，证明其在三个任务中的实用性：(1) 一种数据驱动的策略 (SEC-Conf) 用于超参数选择，超越现有启发式方法，稳健性强于模型深度；(2) 信号复杂度的可靠代理；(3) 在 diverse INR 架构之间实现谱偏差的有效对齐。
引用
@article{arxiv.2605.12709,
title = {Spectral Energy Centroid: a Metric for Improving Performance and Analyzing Spectral Bias in Implicit Neural Representations},
author = {Tomasz Dądela and Adam Kania and Maciej Rut and Przemysław Spurek},
journal= {arXiv preprint arXiv:2605.12709},
year = {2026}
}