Enhancing Implicit Neural Representations via Symmetric Power Transformation

要約

データ変換の観点から、暗黙の神経表現〜（INR）の能力を高めるために対称電力変換を提案します。
ランダムな順列またはインデックスの再配置を利用する以前の作業とは異なり、私たちの方法は、追加のストレージ消費を必要としない可逆操作を特徴としています。
具体的には、最初にINRのトレーニングに利益をもたらすことができるデータの特性を調査し、特定の範囲と対称性がINRの表現能力を改善できると仮定する範囲定義の対称仮説を提案します。
この仮説に基づいて、範囲定義と対称の両方の特性を同時に実現するために、非線形対称電力変換を提案します。
電力係数を使用して、データを再分配して、ターゲット範囲内の対称性を近似します。
変換の堅牢性を向上させるために、極端な偏差ブーストと連続性の破壊の問題に対処するために、偏差を意識したキャリブレーションと適応的なソフト境界をさらに設計します。
提案された方法のパフォーマンスを検証するために広範な実験が行われ、他のデータ変換と比較して変換がINRを確実に改善できることを示しています。
また、1Dオーディオ、2D画像、3Dビデオフィッティングタスクを実施して、メソッドの有効性と適用性を実証します。

要約(オリジナル)

We propose symmetric power transformation to enhance the capacity of Implicit Neural Representation~(INR) from the perspective of data transformation. Unlike prior work utilizing random permutation or index rearrangement, our method features a reversible operation that does not require additional storage consumption. Specifically, we first investigate the characteristics of data that can benefit the training of INR, proposing the Range-Defined Symmetric Hypothesis, which posits that specific range and symmetry can improve the expressive ability of INR. Based on this hypothesis, we propose a nonlinear symmetric power transformation to achieve both range-defined and symmetric properties simultaneously. We use the power coefficient to redistribute data to approximate symmetry within the target range. To improve the robustness of the transformation, we further design deviation-aware calibration and adaptive soft boundary to address issues of extreme deviation boosting and continuity breaking. Extensive experiments are conducted to verify the performance of the proposed method, demonstrating that our transformation can reliably improve INR compared with other data transformations. We also conduct 1D audio, 2D image and 3D video fitting tasks to demonstrate the effectiveness and applicability of our method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google