通过位平面分解实现无损隐式神经表示
计算机视觉与模式识别
2025-03-21 v2
摘要
我们从数字角度量化了隐式神经表示（INR）模型大小的上界。模型大小的上界随着所需位精度的增加而呈指数级增长。为此，我们提出了一种位平面分解方法，使 INR 预测位平面，从而产生与降低模型大小上界相同的效果。我们验证了在模型大小恒定的情况下，降低上界能加快收敛速度的假设。我们的方法在 2D 图像和音频拟合中实现了无损表示，甚至对于以前无法实现的高位深信号（如 16 位）也是如此。我们率先发现了位偏置的存在，即 INR 会将其优先视为最高有效位（MSB）。我们将 INR 任务的应用扩展到位深扩展、无损图像压缩和极端网络量化。源代码可在 https://github.com/WooKyoungHan/LosslessINR 获取。
引用
@article{arxiv.2502.21001,
title = {Towards Lossless Implicit Neural Representation via Bit Plane Decomposition},
author = {Woo Kyoung Han and Byeonghun Lee and Hyunmin Cho and Sunghoon Im and Kyong Hwan Jin},
journal= {arXiv preprint arXiv:2502.21001},
year = {2025}
}