TPAMI 2024 | 抗扰动不变的隐式神经表示

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，