研究人员引入了一种名为校准谐波叠加隐式神经表示（CHOIR）的新方法，以提高多维数据隐式神经表示（INRs）的稳定性和性能。CHOIR用协调谐波叠加（CHS）取代了传统的函数组合，以确保优化稳定性，尤其是在网络深度增加的情况下。它还通过嵌入自然图像先验和调整频谱分布来解决频谱偏差，并结合了感知频谱校准（PSC）。实验表明，CHOIR在各种数据恢复任务上的表现优于现有的最先进方法。 AI
影响 这项研究可能为处理复杂多维数据带来更稳定有效的方法，并可能影响图像和视频分析等领域。
排序理由 该集群包含一篇详细介绍隐式神经表示新方法的论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.26763v1 Announce Type: new Abstract: Implicit neural representation (INR) has emerged as a powerful prior for multi-dimensional data (e.g., multispectral images and videos). However, most INR methods employing periodic activation functions (e.g., Sine) predominantly re…
Implicit neural representation (INR) has emerged as a powerful prior for multi-dimensional data (e.g., multispectral images and videos). However, most INR methods employing periodic activation functions (e.g., Sine) predominantly rely on function composition. This mechanism intro…