本文提出了一种简单的最近邻方法，可以从 “不完整” 的信号（如低分辨率图像、表面法线图或边缘）中合成高频逼真的图像。通过将卷积神经网络和最邻近法相结合，可以解决模式崩溃问题和输出可控性。

Aug, 2017

介绍了可微分的 “组合式模式生成网络”（DPPN），并利用 Lamarckian 算法组合进化和学习，通过学习产生重建图像，并创造性地应用于压缩 denoising autoencoder 的权重和 rediscove 全连接的卷积神经网络结构，具有更好的泛化能力。

Jun, 2016

该论文提出了一种基于样本的视觉模式综合框架，使用隐式网络算法 IPFN 来生成满足可扩展性、多样性和真实性的新型图案。

Apr, 2022

通过将 Compositional Pattern Producing Networks 与 GAN 结合，定义 latent vectors 为一种以组织 level segment 的方式生成完整游戏级别的方法，并通过 MAP-Elites 进行验证。

Apr, 2020

通过使用基于坐标的 MLP 神经网络进行单个图像优化的方法，以及设计输入特征扭曲模块和周期性引导补丁损失函数来处理全局一致性和本地变化，同时引入周期性提议模块来解决周期性检测错误，从而学习出了一种神经隐式表示近周期图案的方法，并在 500 多个包括建筑立面、饰带、墙纸、地面和蒙德里安图案的单平面和多平面场景中证明了其有效性。

Aug, 2022

在超声波图像分割中，通过使用傅里叶锚点的特征金字塔网络 (FFPN) 和轮廓采样细化 (CSR) 模块，可以提高准确性和效率。

Aug, 2023

通过将输入点通过简单的傅里叶特征映射传递，使得多层感知机（MLP）能够学习低维问题领域中的高频函数。研究结果对计算机视觉和图形学领域中使用 MLP 表示复杂 3D 对象和场景的最新进展提供了启示。通过神经切比雪夫核（NTK）文献中的工具，我们展示了标准 MLP 在理论和实践中都无法学习高频的结论。为了克服这种频谱偏差，我们使用傅里叶特征映射将有效的 NTK 转换为带有可调节带宽的平稳核。我们提出了一种选择问题特定的傅里叶特征的方法，极大地提高了 MLP 在与计算机视觉和图形学相关的低维回归任务中的性能。

Jun, 2020

本文研究了使用傅里叶神经算子（FNOs）相对于标准卷积神经网络（CNNs）进行图像分类的方法。我们推导了 FNO 结构作为连续和 Frechet 可微分的神经算子在勒贝格空间上的例子，并提出了内插等变的适应结构。

Apr, 2023

本文提出了一种名为 FPANet 的模型，该模型在频率和空间域中学习滤波器，通过学习提取帧不变特征和输出更好质量的时间一致图像，改善了移除各种大小 Moire 图案的恢复质量，并用公开数据集展示了其优越性。

Jan, 2023

我们探索正弦神经网络来表示周期性平铺纹理。我们的方法利用傅里叶级数，通过将正弦神经网络的第一层初始化为具有周期 P 的整数频率。我们证明了正弦层的组合仅生成具有周期 P 的整数频率。因此，我们的网络学习了周期模式的连续表示，无需插值即可在任何空间坐标处直接评估。为了强制生成的模式具有可平铺性，我们向损失函数中添加了基于泊松方程的正则化项。我们提出的神经隐式表示方法紧凑且能够在多个细节级别上以高视觉保真度和锐度高效地重建高分辨率纹理。我们在抗锯齿表面领域展示了我们方法的应用。

Feb, 2024