深度学习中的傅里叶位置编码

深度学习中的傅里叶位置编码

• 介绍
• • • [1. 核心矛盾：神经网络的"低通滤波器"特性](#1. 核心矛盾：神经网络的“低通滤波器”特性)
    • [2. 数学表达](#2. 数学表达)
    • [3. 两种主流的应用视角](#3. 两种主流的应用视角)
    • • [A. 在 Transformer 中的"相对位置感知"](#A. 在 Transformer 中的“相对位置感知”)
      • [B. 在坐标感知任务（如 NeRF/3D 视觉）中的"特征增强"](#B. 在坐标感知任务（如 NeRF/3D 视觉）中的“特征增强”)
    • [4. 为什么它有效？（直观理解）](#4. 为什么它有效？（直观理解）)
    • [5. 进阶形式：RFF (Random Fourier Features)](#5. 进阶形式：RFF (Random Fourier Features))
    • 代码实现示例
    • • 常规实现
      • RFF
    • 总结

介绍

在深度学习中，傅里叶位置编码（Fourier Positional Encoding） 是一项将连续坐标（或离散索引）映射到高维特征空间的技术。无论是 Transformer 处理序列，还是 NeRF 处理 3D 坐标，其核心逻辑基本一致。

---

1. 核心矛盾：神经网络的"低通滤波器"特性

深度学习模型（尤其是多层感知机 MLP）存在一种现象，被称为 光谱偏差（Spectral Bias）。

• 问题： 神经网络倾向于优先学习数据中的低频分量 （平滑的部分），而很难捕捉高频分量（精细的纹理、急剧变化的边界）。
• 表现： 如果直接将原始坐标 ( x , y , z ) (x, y, z) (x,y,z) 输入网络，生成的图像或模型往往非常模糊，丢失了大量细节。

傅里叶位置编码的作用就是预先将输入"拉伸"到高频空间，强迫模型感知细微的变化。

---

2. 数学表达

最常见的傅里叶编码形式（如在 NeRF 或 Transformer 中使用的）是将一个标量值 v v v 映射为一个向量：

γ ( v ) = [ sin ⁡ ( 2 0 π v ) , cos ⁡ ( 2 0 π v ) , ... , sin ⁡ ( 2 L − 1 π v ) , cos ⁡ ( 2 L − 1 π v ) ] \gamma(v) = [ \sin(2^0 \pi v), \cos(2^0 \pi v), \dots, \sin(2^{L-1} \pi v), \cos(2^{L-1} \pi v) ] γ(v)=[sin(20πv),cos(20πv),...,sin(2L−1πv),cos(2L−1πv)]

• 多尺度频率： 通过指数级增加频率（ 2 0 , 2 1 , ... 2^0, 2^1, \dots 20,21,...），编码涵盖了从全局（低频）到局部细节（高频）的所有特征。
• 周期性： 使用 sin ⁡ \sin sin 和 cos ⁡ \cos cos 保证了编码在空间上的连续性。

---

3. 两种主流的应用视角

A. 在 Transformer 中的"相对位置感知"

在 NLP 中，模型本质上是无序的（词袋模型）。傅里叶编码（Sinusoidal Encoding）提供了位置信息：

• 距离度量： 由于三角函数的特性，任意两个位置 p o s pos pos 和 p o s + k pos+k pos+k 之间的编码关系可以通过一个线性变换来表示。这意味着模型可以更容易地学到词与词之间的相对距离。

B. 在坐标感知任务（如 NeRF/3D 视觉）中的"特征增强"

在处理几何数模或 3D 场景时：

• 高维投影： 将 3 维坐标投影到（例如）256 维的空间。
• 类似于算术： 就像我们用二进制表示数字一样，低位（高频）变化极快，代表微小的位移；高位（低频）变化缓慢，代表宏观的位置。这让 MLP 能够像"查表"一样精准地定位空间中的每一个点。

---

4. 为什么它有效？（直观理解）

想象你要在地图上定位一个点：

1. 如果只给你经纬度（原始坐标），数值变化很小，模型很难区分 100.001 100.001 100.001 和 100.002 100.002 100.002 的区别。
2. 傅里叶编码相当于给地图加了无数层不同粗细的网格。

• 第一层网格很大（低频）。
• 最后一层网格细如发丝（高频）。
• 模型通过查看点在所有网格中的相对位置，就能瞬间锁定极高精度的坐标。

---

5. 进阶形式：RFF (Random Fourier Features)

在最新的研究中，研究者发现不一定要用固定的 2 n 2^n 2n 频率，可以使用随机采样的高斯频率：

ϕ ( x ) = [ cos ⁡ ( 2 π B x ) , sin ⁡ ( 2 π B x ) ] T \phi(\mathbf{x}) = [\cos(2\pi \mathbf{B}\mathbf{x}), \sin(2\pi \mathbf{B}\mathbf{x})]^T ϕ(x)=[cos(2πBx),sin(2πBx)]T

其中 B \mathbf{B} B 是从高斯分布中随机生成的矩阵。这种方法（常见于 Fourier Feature Networks ）可以根据任务需求，通过调整高斯分布的标准差（ σ \sigma σ）来控制模型捕捉细节的能力：

• σ \sigma σ 越大： 捕捉的细节越细，但如果过大可能导致混叠噪声。
• σ \sigma σ 越小： 结果越平滑。

代码实现示例

常规实现

class FourierPositionalEncoding(nn.Module):
    """Fourier feature encoding for spatial coordinates.
    Maps scalar values to high-dimensional space using sinusoidal functions,
    helping the network capture fine spatial details even with large coordinate values.
    """

    def __init__(self, input_dim: int, num_frequencies: int = 10, log_scale: bool = True):
        super().__init__()
        self.input_dim = input_dim
        self.num_frequencies = num_frequencies
        self.output_dim = input_dim * 2 * num_frequencies
        if log_scale:
            freq_bands = 2.0 ** torch.linspace(0, num_frequencies - 1, num_frequencies)
        else:
            freq_bands = torch.linspace(1.0, 2.0 ** (num_frequencies - 1), num_frequencies)
        # shape: (num_frequencies,)
        self.register_buffer("freq_bands", freq_bands)

    def forward(self, x: Tensor) -> Tensor:
        """
        Args:
            x: (..., input_dim)
        Returns:
            (..., output_dim)
        """
        # x_proj shape: (..., input_dim, num_frequencies)
        x_proj = x.unsqueeze(-1) * self.freq_bands * math.pi
        # sin/cos shape: (..., input_dim * num_frequencies)
        sin_feat = torch.sin(x_proj).flatten(-2)
        cos_feat = torch.cos(x_proj).flatten(-2)
        return torch.cat([sin_feat, cos_feat], dim=-1)

RFF

import math

import torch
from torch import nn


class RandomFourierPositionEncoding(nn.Module):
    """
    随机傅里叶特征对 3D 坐标编码。
    坐标先归一化到 [-1,1]（基于场景包围盒），再映射到高维。
    这样对"坐标值很大"的场景保持稳定。
    """

    def __init__(self, d_out: int, d_pos: int = 3, n_freq: int = 64, sigma: float = 1.0):
        super().__init__()
        # 固定随机频率矩阵，不参与梯度
        B = torch.randn(d_pos, n_freq) * sigma  # (d_pos, n_freq)
        self.register_buffer("B", B)
        self.proj = nn.Linear(n_freq * 2, d_out)  # sin+cos → d_out

    def forward(self, xyz: torch.Tensor) -> torch.Tensor:
        """
        xyz: (..., d_pos)  已归一化坐标
        return: (..., d_out)
        """
        x = 2 * math.pi * xyz @ self.B  # (..., n_freq)
        x = torch.cat([x.sin(), x.cos()], dim=-1)  # (..., 2*n_freq)
        return self.proj(x)

总结

傅里叶位置编码不仅仅是给输入加点"佐料"，它是改变了模型观察数据的分辨率。它将简单的数值转化为一组丰富的频率信号，让神经网络这个"近视眼"戴上了一副高倍率的显微镜。