隐式神经表示的结构化词典视角

CVPRDec, 2021

A Structured Dictionary Perspective on Implicit Neural Representations

Gizem Yüce, Guillermo Ortiz-Jiménez, Beril Besbinar, Pascal Frossard

TL;DR该研究提出了一种新的统一视角来理论上分析隐式神经表示，揭示了其与结构化信号词典相似性，这种结构使得 INRs 能够使用深度线性增长的参数表达具有指数级频率支持的信号，并可以通过元学习来重新塑造 NTK，以进一步设计和调整 INRs 的体系结构。

Abstract

implicit neural representations (INRs) have recently emerged as a promising alternative to classical discretized representations of signals. Nevertheless, despite their practical success, we still do not understand how INRs represent signals. We propose a novel unified perspective to t

implicit neural representations harmonic analysis deep learning theory neural tangent kernel meta-learning

发现论文，激发创造

基于隐式神经表示的形状深度学习

本文介绍了 Implicit Neural Representations (INRs) 的概念，并提出了 inr2vec 框架作为一种有效的在深度学习流程中解决 INRs 表示的下游任务的方法。

Feb, 2023

广义隐式神经表示法

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

复数小波的隐式神经表示和代数

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

超网构建音频的隐式神经表示

HyperSound 是第一种利用超网络进行元学习的方法，用于生成适合于音频样本的 INRs，以解决现有方法难以应用于音频的局限性，提供了一种可行的代替深度神经网络中当前用于音频处理的声谱图表示方法，并且重新构建的音频样本质量可与其他最先进的模型相媲美。

Feb, 2023

HyperTime: 时间序列的隐式神经表示

本文利用隐式神经表示技术分析了时间序列数据的表示问题，并提出了一种基于傅里叶变换的损失函数来指导网络训练的超网络结构，用于生成时间序列数据。我们证明了这个方法可以用于时间序列数据的扩充与生成，并且在此领域达到了最先进的方法的水平。

Aug, 2022

通过专家混合训练构建神经隐式字典

该研究论文提出了一种能够通过基于坐标的子网络来构建神经隐式词典 (NID) 并代表内在神经表征的框架，通过优化结果能够更快地重建 2D/3D 图像并解决遮挡问题。

Jul, 2022

无序不变的隐式神经表征

本研究通过对输入信号进行重新排列，提出了混沌不变的隐式神经表示（DINER）。DINER 通过将哈希表添加到传统的 INR 骨干网络中，将坐标投影到相同的分布中，在减轻频谱偏差的同时，提高了信号建模的表现力。

Apr, 2023

HyperSound: 使用超网络生成音频信号的隐式神经表示

本研究提出了一种基于超网络元学习的方法，用于生成未训练音频信号的隐式神经表示（INRs），并展示了其重建声波信号的优秀性能。

Nov, 2022

医学影像中的暗默神经表征：一项比较调查

通过利用神经网络通过隐式连续函数参数化数据，隐式神经表示（INRs）在场景重建和计算机图形学中显示出显著结果，本论文综述了 INR 模型在医学成像领域的应用，并讨论了 INRs 的优势、局限性以及在医学成像数据中的挑战和考虑因素，同时提出了未来的研究方向和机会。

Jul, 2023

一种对隐式神经表示激活的采样理论视角

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