INR-Bench

INR-Bench是一个为多模态隐式神经表示任务设计的综合基准，包括56种CoordinateMLP模型和22种Coordinate-KAN模型，涵盖9个隐式多模态任务。这些任务包括正向和逆向问题，为突出不同神经模型的优缺点提供了一个坚实的平台，从而为未来的研究奠定了坚实的基础。

INR-Bench is a comprehensive benchmark designed for multimodal implicit neural representation tasks. It encompasses 56 CoordinateMLP models and 22 Coordinate-KAN models, covering 9 implicit multimodal tasks. These tasks include both forward and inverse problems, providing a robust platform to highlight the strengths and weaknesses of different neural models, thereby laying a solid foundation for future research.

搜集汇总

数据集介绍

构建方式

INR-Bench作为首个面向隐式神经表示的多领域基准，其构建过程体现了系统化设计理念。研究团队基于神经正切核理论分析模型架构对频谱分布的影响，构建了涵盖78种变体的模型集合，包括56种坐标MLP模型与22种坐标KAN模型。这些模型通过组合4类位置编码与14种激活函数形成完整评估体系，并在9项多模态任务中验证其有效性，覆盖音频、图像、三维形状等数据类型的正向与逆向问题求解。

特点

该数据集最显著的特征在于其多维度的评估框架设计。通过整合坐标MLP与坐标KAN两类主流架构，系统比较了经典多层感知器与新兴柯尔莫哥洛夫-阿诺德网络在隐式表示中的性能差异。特别引入的傅里叶特征位置编码与可学习的FKAN编码机制，有效解决了传统方法对频率超参数的敏感性问题。数据集还包含对23种非线性原语的深入分析，揭示了不同激活函数在梯度传播、曲率特性和频率响应方面的本质差异。

使用方法

研究者在实际应用中可通过标准化流程使用该数据集进行模型评估。首先需根据任务特性选择适当的坐标模型架构，针对正向问题可优先考虑具有周期性激活函数的MLP变体，而逆向问题则更适合采用高斯类激活函数与FKAN编码的组合。在训练过程中应依据神经正切核频谱分析结果调整超参数，对于复杂频率分布场景建议采用固定频率的NeRF编码，而对于均匀频率信号则可发挥FKAN的自适应优势。评估阶段需综合考察模型在频谱学习、逆向推理和泛化能力三个维度的表现。

背景与挑战

背景概述

INR-Bench是由同济大学与上海交通大学等机构的研究团队于2025年提出的首个面向隐式神经表示的多领域回归与重建任务的统一基准。该数据集聚焦于分析模型架构、位置编码及非线性基元对神经正切核频谱分布的影响，旨在系统评估56种坐标MLP模型与22种坐标KAN模型在9项多模态任务中的表现。通过整合音频、图像、三维形状及神经辐射场等数据，INR-Bench为理解隐式神经表示的频率响应特性与模型局限性提供了理论支撑与实践平台，推动了连续信号表示领域的研究进展。

当前挑战

在领域问题层面，INR-Bench致力于解决隐式神经表示中模型频谱偏差与多尺度频率学习的核心挑战，例如坐标MLP对高频信号编码不足、坐标KAN在复杂任务中收敛困难等问题。构建过程中需克服多模态数据对齐、任务定义一致性及评估指标标准化等难题，同时需平衡模型复杂度与计算效率，确保基准的广泛适用性与可复现性。

常用场景

经典使用场景

在隐式神经表示领域，INR-Bench作为首个综合性基准测试平台，其经典应用场景聚焦于评估多模态信号处理任务中不同神经模型的频率学习能力与逆问题推理性能。该数据集通过整合音频回归、图像拟合、三维形状重建等九项任务，系统性地衡量了56种Coordinate-MLP变体与22种Coordinate-KAN模型在正向问题与逆问题中的表现，为隐式表示模型的频谱特性分析提供了标准化实验环境。

解决学术问题

INR-Bench通过神经正切核理论框架，揭示了模型架构、位置编码与非线性基元对频谱偏差的影响机制，解决了隐式神经表示领域长期存在的频率响应机理不明确问题。该数据集首次系统验证了KAN模型在低频学习任务中的优势与高斯过程特性带来的计算复杂性挑战，同时明确了正弦类激活函数在均匀频率分布信号中的有效性及其在多尺度学习中的局限性，为模型选择与优化提供了理论依据。

衍生相关工作

该数据集催生了多项经典衍生研究，包括基于可学习傅里叶序列的自适应位置编码FKAN、结合小波与多项式基函数的Coordinate-KAN变体，以及针对频谱偏差优化的归一化方法。其中FKAN编码通过动态调整NTK频谱宽度，在图像修复任务中相比传统方法提升4.34dB；Chebyshev2-KAN在泊松重建任务中建立的8.8dB优势，推动了微分方程求解与物理启发的神经网络架构发展。