Disorder-Invariant Implicit Neural Representation
题目:抗扰动不变的隐式神经表示
作者:Hao Zhu , Shaowen Xie , Zhen Liu , Fengyi Liu , Qi Zhang , You Zhou , Yi Lin , Zhan Ma , and Xun Cao
源码:https://ezio77.github.io/DINER-website/
摘要
隐式神经表示(INR)将信号的属性表征为相应坐标的函数,成为解决逆问题的有力工具。然而,INR的表达能力受到网络训练中频谱偏差的限制。在本文中,我们发现通过重新排列输入信号的坐标,可以极大地解决与频率相关的问题,为此我们提出了不变量隐式神经表示(DINER),通过将哈希表增至传统的INR骨干网络。给定具有相同属性直方图和不同排列顺序的离散信号,哈希表可以将坐标投影到相同的分布中,使得后续INR网络能够更好地建模映射的信号,从而显著减轻频谱偏差。此外,DINER的表达能力由哈希表的宽度决定。不同宽度对应于属性空间中的不同几何元素,例如,