3D
Artificial Intelligence
Computer Vision
VI3NR：基于方差的隐式神经表征初始化
Author
Venue
CVPR 2025
Abstract
隐式神经表征（INR）是一种多功能且强大的工具，可用于编码各种形式的数据，包括图像、视频、声音和3D形状。INR成功的关键因素在于网络的初始化，这会显著影响所学模型的收敛性和准确性。 遗憾的是，常用的神经网络初始化方法并不适用于多种激活函数，尤其是INR所采用的那些。本文通过推导出一种在各层间具有稳定方差且适用于任何激活函数的初始化方法，对先前的初始化方法进行了改进。我们证明该方法可推广至许多先前的初始化方法，并且对于已被充分研究的激活函数具有更佳的稳定性。 我们还证明，在多种信号模态下，我们的初始化方案能显著提升 INR 激活函数的建模效果。该方法在高斯 INR 模型中表现尤为突出：通过多项实验验证，我们证明了初始化理论与实际任务性能高度吻合，从而在图像、音频及 3D 表面重建任务中均实现了性能提升。
