SASNet：空间自适应正弦神经网络在隐式神经表示中的应用

SASNet是一种空间自适应正弦神经网络，针对隐式神经表示（INR）中传统方法固定激活频率的局限，通过动态调整正弦激活频率实现高质量表示。它在图像重建、3D场景表示等任务中表现优异，具有更高的表示效率、细节保留能力、收敛速度及跨尺度一致性。

隐式神经表示（INR）用连续神经网络函数表示图像、3D形状等信号，具有分辨率无关、内存高效、可微分等优势，在超分辨率、3D重建等任务潜力巨大。但传统INR方法使用固定激活函数（如ReLU）或固定频率正弦激活（如SIREN），难以适应不同空间位置的信号特性——高频区域需高频率捕捉细节，平滑区域需低频率，固定频率无法兼顾。

SASNet核心是空间自适应频率调制：

1. 频率参数变为空间位置函数：标准SIREN为固定频率sin(ω·x)，SASNet则是sin(ω(x)·x)，ω(x)由小型子网络预测，实现位置定制频率（高频区域提高频率，平滑区域降低）。
2. 架构包含两部分：主INR网络（映射空间坐标到信号值）、频率预测网络（输入坐标输出频率参数），协同训练提升拟合能力。

1. 更高表示效率：用更少参数达到相当或更好质量，图像重建中更小网络容量实现更低误差；
2. 更好细节保留：解决固定频率的两难（高频噪声/低频丢细节），平滑区域干净且保留精细细节；
3. 更快收敛：自适应频率提供更灵活优化空间，迭代次数更少；
4. 跨尺度一致性：任意分辨率查询时，保持适当细节层次，避免过度平滑或伪影。

1. 图像表示与压缩：编码为紧凑权重，极低码率下视觉质量更优；
2. 3D场景表示与新视角合成：适用于NeRF等任务，处理几何变化剧烈/平缓区域；
3. 视频表示：时间扩展版本可对空间和时间维度自适应调制，高效压缩；
4. SDF学习：准确捕捉3D物体表面细节，保持远离表面区域平滑性。

在多个基准数据集表现突出：

• 图像重建：Kodak、DIV2K数据集上，相同网络容量下重建误差低于SIREN、Fourier特征等方法；
• 3D表示：ShapeNet数据集上更准确恢复物体表面几何细节；
• 训练效率：比基线方法需更少迭代达到目标精度。

实现：开源代码提供完整架构定义、任务示例、预训练模型、训练脚本及文档，接口清晰便于集成。 展望：

• 扩展到Transformer-based INR等复杂架构；
• 探索音频、传感器数据等其他模态应用；
• 结合NAS自动发现最优频率调制策略；
• 开发更高效频率预测网络降低计算开销。 SASNet为INR发展提供新思路，有望在图像处理、3D视觉等领域广泛影响。