효율적인 고충실도 표현을 위한 순환 정현파 INR

초록

본 연구는 암시적 신경 표현(INR)에서 고조파 스펙트럼 강화를 위한 반복적 메커니즘으로서 정현파 순환(sinusoidal recurrence)을 분석한다. 분석 결과, 정현파 활성화는 고조파 선 스펙트럼을 유도하며, 이는 순환적 전개(recurrent unrolling)가 어떻게 유효 스펙트럼 지지(support)를 확장하는지에 대한 스펙트럼적 설명을 제공한다. 이러한 원리를 공유 정현파 블록을 통해 구현하여 잠재 표현을 반복적으로 정제한다. 제안된 스펙트럼 거동을 순방향 INR, 비정현파 순환 변형, 평형 유형의 정현파 모델과 비교하여 경험적으로 검증한다. 이러한 분석을 보완하여, 제안된 아키텍처를 이미지 및 3차원 표현 작업 전반에서 평가한다. RGB 이미지 벤치마크에서 본 방법은 더 적은 파라미터와 최적화 단계로 순방향 기준 모델보다 높은 충실도를 달성하며, 초해상도, NeRF, SDF 작업에도 유리하게 전이된다.

English

We study sinusoidal recurrence as an iterative mechanism for harmonic spectral enrichment in implicit neural representations (INRs). Our analysis reveals that sinusoidal activations induce a harmonic line spectrum, providing a spectral account of how recurrent unrolling enriches the effective spectral support. We realize this principle with a shared sinusoidal block that iteratively refines the latent representation. We empirically validate the resulting spectral behavior against feed-forward INRs, non-sinusoidal recurrent variants, and equilibrium-style sinusoidal models. Complementing this analysis, we evaluate the proposed architecture across image and 3D representation tasks. On RGB image benchmarks, our method achieves higher fidelity than feed-forward baselines with fewer parameters and fewer optimization steps, and it further transfers favorably to super-resolution, NeRF, and SDF tasks.