Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

FLAIR: Representaciones neuronales implícitas que tienen en cuenta la frecuencia y la localidad

Created by
  • Haebom

Autor

Sukhun Ko, Dahyeon Kye, Kyle Min, Chanho Eom, Jihyong Oh

Describir

Este artículo propone Representaciones Neuronales Implícitas con Conciencia de Frecuencia y Localidad (FLAIR) para abordar las deficiencias de las representaciones neuronales implícitas (INR): selectividad de frecuencia, localización espacial y representaciones dispersas. FLAIR integra dos innovaciones clave: una novedosa función de activación, RC-GAUSS, para la selección explícita de frecuencia y la localización espacial bajo el Principio de Incertidumbre Tiempo-Frecuencia (TFUP), y la Codificación Guiada por Energía Wavelet (WEGE), que guía explícitamente la información de frecuencia hacia la red mediante la transformada wavelet discreta (DWT). Demostramos que FLAIR supera a las INR convencionales en la representación y restauración de imágenes 2D y en tareas de reconstrucción 3D.

Takeaways, Limitations

•
Takeaways:
◦
Mejora de la selectividad de frecuencia, la localización espacial y la capacidad de representación dispersa de INR a través de una nueva función de activación RC-GAUSS considerando el principio de incertidumbre de tiempo-frecuencia y WEGE basado en la transformada wavelet.
◦
Logra un rendimiento superior al de los INR existentes en diversas tareas de visión, incluida la representación y restauración de imágenes 2D y la reconstrucción 3D.
◦
Una nueva dirección para mejorar el rendimiento de las representaciones de redes neuronales implícitas.
•
Limitations:
◦
Falta de análisis del coste computacional y la complejidad del método propuesto.
◦
Es necesaria una evaluación más profunda del desempeño de la generalización en diversos conjuntos de datos y tareas.
◦
Falta de explicación detallada del ajuste de parámetros de RC-GAUSS y WEGE.
👍
Made with Slashpage