STAF：用于隐式神经表示的正弦可训练激活函数
计算机视觉与模式识别
2025-05-27 v2
摘要
隐式神经表示（INR）已成为对连续信号进行建模的强大框架。基于ReLU的网络的谱偏差是一个公认的局限性，限制了它们捕捉目标信号中细粒度细节的能力。虽然先前的工作试图通过基于频率的编码或架构修改来缓解这个问题，但这些方法通常引入了额外的复杂性，并且没有完全解决高效学习高频分量的根本挑战。我们引入了正弦可训练激活函数（STAF），旨在通过使网络能够自适应地学习并以更高的精度和效率表示复杂信号，从而直接解决这一局限性。STAF本质上调制其频率分量，允许自适应的谱学习。这种能力显著提高了收敛速度和表达能力，使STAF对于信号表示和逆问题都非常有效。通过在包括信号表示（形状、图像、音频）和逆问题（超分辨率、去噪）以及神经辐射场（NeRF）在内的一系列任务上的广泛评估，我们证明STAF在准确性和重建保真度方面始终优于最先进的方法。这些结果确立了STAF作为解决谱偏差和容量-收敛权衡问题的稳健方案，在计算机视觉和图形学中具有广泛的适用性。我们的代码库可在https://github.com/AlirezaMorsali/STAF公开获取。
引用
@article{arxiv.2502.00869,
title = {STAF: Sinusoidal Trainable Activation Functions for Implicit Neural Representation},
author = {Alireza Morsali and MohammadJavad Vaez and Mohammadhossein Soltani and Amirhossein Kazerouni and Babak Taati and Morteza Mohammad-Noori},
journal= {arXiv preprint arXiv:2502.00869},
year = {2025}
}