arXiv cs.AI· Dhananjaya Jayasundara, Sudarshan Rajagopalan, Vishal M. Patel·· 13 小时前AI 评分27
SymKL：基于隐式神经表示的统一信号退化度量
SymKL: A Unified Representation-Space Measure of Signal Degradation
AI 导读
SymKL 是一种基于隐式神经表示（INR）的统一全参考信号退化度量，通过对原始参考信号拟合 INR 并用其对角 Fisher 信息刻画表示空间的局部信息几何，再以原始与退化观测下两组参数敏感度分布的对称 KL 散度定义退化分数。
正文 · AI 翻译
摘要：量化原始信号与其退化观测之间的退化程度是信号处理的基础问题，然而现有的全参考度量本质上都是模态特定的。我们提出 SymKL，一种基于隐式神经表示（INR）的统一全参考退化度量。INR 只需对原始参考信号拟合一次，并用其对角 Fisher 信息来表征，该信息刻画了所学表示的局部信息几何。分别用原始参考和退化观测评估 Fisher 信息，可得到两个参数敏感度剖面，其对称 KL 散度即为退化分数。所提出的公式仅需参考信号和退化观测，无需了解损坏过程或退化严重程度，因此适用于图像、音频和 3D 数据。我们进一步推导出 SIREN 对角 Fisher 的精确闭式表达式，从而实现高效计算。在图像、语音和体数据 3D 基准上的实验表明，SymKL 能准确跟踪退化严重程度，在传统指标饱和或失效的情况下仍保持单调性，并提供了一种统一的、与模态无关的信号退化度量。代码将在评审过程结束后公开。
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.39403 [cs.CV] |
| （或 arXiv:2610.39403v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.39403 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Dhananjaya Jayasundara [查看邮箱]
[v1]
2026年10月29日 星期四 05:40:24 UTC（2,927 KB）
来源：arXiv cs.AI · arxiv.org