Neues dynamisches Modell verbessert Implicit Neural Representations

Implicit Neural Representations (INRs) haben sich als leistungsstarkes Werkzeug für die Modellierung komplexer visueller und geometrischer Signale etabliert. Ein langjähriges Problem bleibt jedoch die sogenannte Spectral Bias, die die Erfassung hochfrequenter Details erschwert. Mit dem neuen Ansatz Dynamical Implicit Neural Representations (DINR) wird dieses Hindernis überwunden, indem die Feature‑Entwicklung nicht mehr als diskrete Stapelung von Schichten, sondern als kontinuierliches dynamisches System behandelt wird.

Durch diese dynamische Formulierung kann DINR Frequenzdarstellungen viel flexibler gestalten und so die Spectral Bias reduzieren. Theoretische Analysen, die auf Rademacher‑Komplexität und dem Neural Tangent Kernel basieren, zeigen, dass DINR die Ausdruckskraft erhöht und die Trainingsdynamik verbessert. Zudem ermöglicht die Regulierung der Komplexität des zugrunde liegenden Dynamiksystems einen principleden Ausgleich zwischen Ausdruckskraft und Generalisierung.

Umfangreiche Experimente in den Bereichen Bilddarstellung, Feldrekonstruktion und Datenkompression bestätigen die Vorteile von DINR: stabilere Konvergenz, höhere Signal‑Fidelity und stärkere Generalisierung im Vergleich zu herkömmlichen, statischen INRs. Dieser Fortschritt eröffnet neue Möglichkeiten für die effiziente und präzise Modellierung von hochfrequenten Signalen in der Computer Vision und darüber hinaus.