Improved Positional Encoding for Implicit Neural Representation based Compact Data Representation

本文提出了一种新的位置编码方法，用于捕捉隐式神经表示（INR）中编码信号的高频信息，从而提高了INR的重建质量。相比现有的方法，这种嵌入方法更有优势，因为它具有更多的频率基础，对于紧凑的数据表示更为适用。我们的实验表明，所提出的方法在不引入任何额外的压缩任务复杂性的情况下，在速率失真性能上取得了显著的增益，并在新视角合成方面具有更高的重建质量。

本论文旨在提高隐式神经表示（INR）的重构质量，通过提出一种新的位置编码方法来捕捉编码信号的高频信息。

该论文提出的位置编码方法具有比现有方法更多的频率基础，因此更有利于紧凑的数据表示。该方法在不增加压缩任务的任何额外复杂性的情况下，在速率失真性能方面实现了显着的增益，并在新视角合成方面实现了更高的重构质量。

该论文的亮点包括提出了一种新的位置编码方法来提高INR的重构质量，实验设计合理并使用了多个数据集进行验证，并且没有引入任何额外的复杂性。论文还提出了一些值得深入研究的问题和方向。

与本论文相关的其他研究包括： 1. 'Learning Implicit Fields for Generative Shape Modeling'，作者：Ondrej Texler，机构：Adobe Research 2. 'NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis'，作者：Ben Mildenhall等，机构：UC Berkeley