PulseAugur
中
实时 06:41:20
English(EN) ScaLe-INR: Scale and Learn Implicit Neural Representations

ScaLe-INR 架构解决了隐式神经表示中的频谱偏差问题

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员推出了一种新颖的多分支架构 ScaLe-INR，旨在克服隐式神经表示 (INRs) 中的频谱偏差和信息串扰。通过将信号的频谱与其 INR 的最佳工作区域相匹配并使用定向坐标缩放，ScaLe-INR 扩展了表示带宽。新的定向边缘引导损失进一步解耦了分支并最小化了泄露，从而能够在复杂的多尺度拓扑结构中实现高保真信号重建。该方法在图像、音频和 3D 重建任务上展示了比最先进方法显著的性能提升。 AI

影响 这项研究可能导致在包括计算机视觉和音频处理在内的各种 AI 应用中，对复杂信号进行更高效、更准确的建模。

排序理由 该集群包含一篇详细介绍隐式神经表示新方法和架构的研究论文。

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

ScaLe-INR 架构解决了隐式神经表示中的频谱偏差问题

报道来源 [2]

  1. arXiv cs.CV TIER_1 English(EN) · Buwaneka Epakanda, Athulya Ratnayake, Pandula Thennakoon, Mario De Silva, Avishka Ranasinghe, Roshan Godaliyadda, Parakrama Ekanayake ·

    ScaLe-INR: 缩放和学习隐式神经表示

    arXiv:2606.27862v1 Announce Type: new Abstract: Implicit Neural Representations (INRs) parameterized by multilayer perceptrons excel at modeling continuous signals. However, a key challenge persists as INRs fundamentally suffer from spectral bias and information cross-talk. When …

  2. arXiv cs.CV TIER_1 English(EN) · Parakrama Ekanayake ·

    ScaLe-INR: 缩放和学习隐式神经表示

    Implicit Neural Representations (INRs) parameterized by multilayer perceptrons excel at modeling continuous signals. However, a key challenge persists as INRs fundamentally suffer from spectral bias and information cross-talk. When a single network attempts to capture multi-scale…

相关实体

相关话题