FreSh：加速神经表示学习的频率转换
原文中文，约300字，阅读约需1分钟。发表于：。本研究解决了隐式神经表示（INRs）中多层感知机（MLPs）低频偏差的问题，限制了其捕捉高频细节的能力。通过提出频率转换（FreSh）方法，优化嵌入的超参数以匹配模型初始输出频谱与目标信号的频谱，本方法在多种神经表示方法和任务中显著提升性能，其效果可与全面的超参数搜索相媲美，但计算开销仅略高于默认超参数的单次训练。
本文研究了用隐式神经表示（INRs）参数化图像的方法，强调小波作为激活函数的优势。小波在频率和空间上的本地化能力优于正弦函数。研究提出了通过MLP的第一层逼近高频特征的策略，并提供了INR架构设计建议，如使用复数小波和解耦低通与带通的方法。
