提出了一种逐渐增加频率编码集的渐进式位置编码方法，构建了一个分层的 MLP 结构，其能够准确地重建具有广泛频谱的场景，并在不需要明确的层级监督下逐步学习场景表示。

Feb, 2022

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

通过研究使用联合嵌入预测架构 (JEPAs) 在脑电信号处理中实现无缝跨数据集迁移的挑战，本文提供了一项探索性研究。我们在一个包含 54 个受试者的数据集上进行了研究，并通过三个不同的脑 - 机接口范式 (运动想象、ERP 和 SSVEP) 评估了模型的下游性能。研究结果初步证明了 JEPAs 在脑电信号编码中的潜力，并强调了空间滤波在精确下游分类中的重要性，同时揭示了预训练示例长度对下游性能的影响但掩蔽大小不影响。

Mar, 2024

该文提出了一种利用神经场和傅里叶特征编码对信号进行空间和频率分解的方法，并通过多层感知机逐层累积高频部分，以形成最终输出的有效高精度重建方法，试验表明该方法在二维图像拟合、三维形状重建和神经辐射场等多个任务上效果优于现有方法，且模型更加紧凑高效。

Dec, 2022

提出了一种新颖的基于自适应傅里叶滤波器层和低秩增强模块的多层感知器结构，以提高 MLP 模型的领域适应性，实现了比其他方法更好的泛化性能。

Mar, 2022

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

本文提出了可学习的自适应内容前端用于音频信号处理，通过卷积神经网络学习基础函数和权重优化特定任务，同时提出了一种计算内容自适应可学习时频表示的方法，实现了学习有限冲激响应滤波器组，并根据输入信号的内容通过最优滤波器组传递输出信号。

Mar, 2023

文章提出了一种称为 SPDER 的简单多层感知器神经网络结构，能够自然地学习位置嵌入，克服了传统隐式神经表示网络面临的较低频率谱偏差问题，并且速度很快、收敛到极低的损失水平，并且在图像表示中表现出与众不同的表现能力。

Jun, 2023

本文提出了自适应稀疏编码（Self-Paced Sparse Coding，SPSC）框架，可逐步从简单到复杂地包含矩阵元素到编码学习中，以提高其学习鲁棒性并推广到不同层次的自适应学习。试验结果表明了该算法对于处理真实数据的有效性。

Sep, 2017

本文提出了一种利用空间图像和相位谱相结合的 SPSL 方法，以捕捉人脸伪造的上采样伪影并提高可转移性，通过减少感受野来抑制高级特征，专注于本地区域的人脸伪造检测方法，并对利用相位谱的有效性进行了理论分析，在交叉数据集评估中实现了最先进的性能，并在单个数据集评估中获得可比较的结果。

Mar, 2021