3D
Artificial Intelligence
Computer Vision
VI3NR：基於方差的隱式神經表徵初始化
Author
Venue
CVPR 2025
Abstract
隱式神經表徵（INRs）是一種多功能且強大的工具，可用於編碼各種形式的数据，包括圖像、影片、聲音及 3D 形狀。INRs 能否成功，關鍵在於網路的初始化，這會顯著影響學習模型的收斂速度與準確度。 遺憾的是，常見的神經網路初始化方法並不能廣泛適用於多種激發函數，尤其是INR所採用的那些。本文透過推導出一種在各層間具有穩定方差、且適用於任何激發函數的初始化方法，對先前的初始化方法進行了改進。我們證明此方法能將許多先前的初始化方法進行泛化，並在已深入研究的激發函數上展現出更佳的穩定性。 我們同時證明，在多種訊號模態下，本初始化方法能提升 INR 激發函數的學習成效。此方法對於高斯型 INR 尤為有效，我們透過多項實驗驗證，其理論基礎與任務表現相符，進而成功提升影像、音訊及 3D 表面重建的學習效果。
