ASMR: Activation-sharing Multi-resolution Coordinate Networks For Efficient Inference

协调网络或隐式神经表示（INR）是一种快速发展的方法，用于以紧凑的神经表示编码自然信号（如图像和视频）。虽然已经提出了许多方法来增加INR的编码能力，但常常被忽视的一个方面是推理效率，通常用乘加（MAC）计数来衡量。这在硬件限制严重限制推理吞吐量的用例中尤其关键。为此，我们提出了激活共享多分辨率（ASMR）坐标网络，它将多分辨率坐标分解与分层调制相结合。具体而言，ASMR模型可以在数据网格之间共享激活。这在很大程度上将其推理成本与其深度分离，其深度直接与其重建能力相关，并且无论层数如何，都可以实现接近O（1）的推理复杂度。实验表明，ASMR可以将香草SIREN模型的MAC减少多达500倍，同时实现比其SIREN基线更高的重建质量。

提高隐式神经表示编码的推理效率

使用Activation-Sharing Multi-Resolution（ASMR）坐标网络，实现跨数据格的激活共享，将推理复杂度降至O（1）

ASMR模型可以将基准SIREN模型的MAC降低多达500倍，同时实现比SIREN基准更高的重建质量。

当前还没有太多关于将推理效率与INR编码能力结合的研究，但是已有一些关于INR编码的研究，例如SIREN模型。