具可学习周期激活函数的减法调制网络
计算机视觉与模式识别
2026-02-19 v1 机器学习
摘要
我们提出 Subtractive Modulative Network（SMN），一种新型、参数高效的隐式神经表示（INR）架构，灵感来自经典的减法合成。SMN 被设计为一种原则化的信号处理管道，特点是具可学习周期激活层（Oscillator），生成多频率基，以及一系列调制掩码模块（Filters），主动生成高阶谐波。我们提供了理论分析和实证验证。SMN 在两个图像数据集上实现 40+ dB 的 PSNR，相较于最先进的方法在重建准确性和参数效率方面表现更佳。此外，在具有挑战性的 3D NeRF 新视角合成任务上也观察到一致的优势。补充材料可在 https://inrainbws.github.io/smn/ 查看。
引用
@article{arxiv.2602.16337,
title = {Subtractive Modulative Network with Learnable Periodic Activations},
author = {Tiou Wang and Zhuoqian Yang and Markus Flierl and Mathieu Salzmann and Sabine Süsstrunk},
journal= {arXiv preprint arXiv:2602.16337},
year = {2026}
}
备注
4 pages, 3 figures, 3 tables