通过修改隐藏层中的周期性激活函数，我们演示了使用正弦表示网络（SIRENs）多功能性的指导与控制网络（G&CNETs）变种。我们展示了结果 G&CNETs 在三种不同的控制场景上训练更快并实现更低的整体训练误差，通过初步分析试图解释 SIREN 架构在 G&CNETs 擅长的特定任务类型上表现出色。

May, 2024

我们提出了一种新颖的量子广义傅立叶神经网络（QIREN），其通过理论分析证明了比经典的傅立叶神经网络具有量子优势，并通过信号表示、图像超分辨率和图像生成任务的实验证明了 QIREN 相对于最先进模型的卓越性能。我们的工作不仅将量子优势融入了隐性神经表示中，还揭示了量子神经网络的一个有前景的应用方向。

Jun, 2024

利用隐式神经表示 (INRs) 以欧几里得空间的多层感知器 (MLP) 对图像进行参数化，有效地在信号中表示了在常规离散表示中看不到的耦合空间和频谱特征，为以前不可能的连续信号处理和机器学习方法铺平了道路。本文研究了使用正弦激活函数的 INRs 在傅里叶理论方面的工作，并展示了与正弦函数相比，使用小波作为激活函数的优势，因为它们能够同时在频率和空间上进行本地化。我们在这项工作中探讨了这种 INRs，并演示了它们如何从 MLP 的第一层中进行粗糙逼近从而解析出信号的高频特征。这导致了多种 INR 架构设计的建议，包括使用复数小波，解耦低通和带通逼近以及基于所需信号奇点的初始化方案。

Oct, 2023

使用隐性神经表示 (INRs) 对信号进行紧凑、可微的编码已经越来越受青睐。本研究从采样理论的角度对常用的正弦位置编码、非传统激活函数等技术进行了全面分析，发现在信号编码中 sinc 激活函数从理论上来讲是最优的，同时我们还建立了动力系统和 INR 之间的联系，利用采样理论来连接两种范式。

Feb, 2024

利用神经网络将坐标输入映射到相应属性的隐性神经表示（INR）正在信号处理领域引起革命。然而，当前的 INR 技术在调整其支持的频率集方面存在局限性，导致在表示具有多个频率的复杂信号时性能不完善。我们发现，通过引入变周期激活函数，可以大大缓解这个与频率相关的问题，并提出 FINER。通过在不同范围内初始化神经网络的偏置，选择变周期函数中具有不同频率的子函数进行激活。因此，FINER 的支持频率集可以灵活调节，从而提高信号表示性能。我们在二维图像拟合、三维有向距离场表示和五维神经辐射场优化的背景下展示了 FINER 的能力，并证明它优于现有的 INR。

Dec, 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

本文提出了一种使用双重 Multi-Layer Perceptrons（MLPs）体系结构的信号表示方法，其中合成网络创建了从低维输入到输出域的功能映射，调制网络将目标信号对应的潜在代码映射到调制周期激活的参数，实现了图像、视频和形状的可推广的功能表示，并实现了比单一信号优化的先前工作更高的重建质量。

Apr, 2021

研究了在非欧几里得域中学习隐式神经表征（INRs）的问题，介绍了一种利用图的谱嵌入来近似节点位置，并在各种真实世界的非欧几里得域的信号上进行了实验。

May, 2022

使用新型激活函数 $x + sin^2 (x)$，结合传统 ReLU 激活函数的优势，来解决传统激活函数（如 ReLU、tanh、sigmoid 等）在学习周期函数方面的普遍失败。经实验证明，该方法能够成功地预测温度和金融数据。

Jun, 2020

该研究介绍了一种新的基于 SIREN 架构的方法 ——Siamese SIREN。实验结果表明，与其他 INR 架构相比，Siamese SIREN 在利用更少的网络参数的情况下可以实现较高的音频重建保真度。

Jun, 2023