I-INR：反復的インプリシット・ニューラル表現

Abstract

暗黙的ニューラル表現（Implicit Neural Representations: INRs）は、信号をニューラルネットワークによってパラメータ化された連続で微分可能な関数としてモデル化することで、信号処理およびコンピュータビジョンを革新してきました。しかし、INRsはスペクトルバイアス問題に陥りやすく、高周波情報を保持する能力が制限されるだけでなく、しばしばノイズ頑健性にも苦戦します。反復的洗練（iterative refinement）プロセスに関する最近の動向に触発され、反復的暗黙的ニューラル表現（Iterative Implicit Neural Representations: I-INRs）を提案します。この新規なプラグアンドプレイ型の枠組みは、信号再構成を反復的に洗練して高周波の詳細を復元し、ノイズ頑健性を向上させ、汎化性能を強化します。最終的に、より優れた再構成品質を提供します。I-INRsは、既存のINRアーキテクチャにシームレスに統合でき、パラメータ数の増加はわずか0.5〜2%にとどまります。再構成時には、反復的洗練によってベースラインに対する追加FLOPsはわずか0.8〜1.6%増に過ぎない一方で、最大+2.0 PSNRという大きな性能向上をもたらします。広範な実験により、I-INRsが画像のフィッティング、画像のデノイジング、物体の占有（occupancy）予測を含むさまざまなコンピュータビジョンタスクにおいて、WIRE、SIREN、Gaussを一貫して上回ることが示されています。コードはgithub.com/optimizer077/I-INRで利用可能です。