通过引入连续的解析函数，RHINO 能够以无缺陷的反向传播从网络输出回到输入坐标，从而增强正则化，提高了多种基于哈希的隐式神经表征模型的性能。

Sep, 2023

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。

Dec, 2021

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

本文提出了一个称为隐式神经表示正则化器的正则化器 (INRR)，以提高隐式神经表示 (INR) 的泛化能力。 INRR 通过将归一化的 Dirichlet 能量 (DE) 与 INR 集成来改善信号表示中的泛化性能，从而更好地集成了信号的自相似性和 Laplacian 矩阵的光滑度。作者进一步设计了一系列实验来论证 INRR 的性质，如收敛轨迹和多尺度相似性，并表明该方法可以提高其他信号表示方法的性能。

Mar, 2023

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

本文提出了 Conv-INR，这是第一个完全基于卷积的 INR 模型，相较于现有的基于多层感知机的 INR 模型，Conv-INR 具有更好的表示能力和可训练性，同时能够有效地学习邻近坐标和高频组成部分。通过广泛的实验验证了 Conv-INR 在图像拟合、CT/MRI 重建和新视角合成等四个任务中明显优于现有的基于多层感知机的 INR 模型，而且在不引入额外推理成本的情况下，还提出了三种进一步增强 vanilla Conv-INR 性能的重新参数化方法。

Jun, 2024

本文研究了隐式神经表达在低层视觉问题中的应用，包括图像去噪、超分辨率、修补和去模糊等任务，并在实验中证明了其在资源有限情况下超过其他方法 2dB 以上的卓越表现。

Apr, 2023

提出一种新的无监督密度神经表示（Diner）方法来解决包含金属时 CT 金属伪影问题，通过引入与能量相关的彩色 CT 正演模型和使用密度作为中间变量，Diner 能够准确重建 X 射线测量中的线性衰减系数。实验证实了 Diner 在金属伪影降低性能和鲁棒性方面优于常见的有监督技术。

May, 2024

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

本文提出了 Poly-INR 模型，通过使用多项式函数来消除位置编码的限制，为生成建模任务在复杂领域中采用 INR 模型铺平了道路。Poly-INR 模型在像 ImageNet 这样的大型数据集上进行了定性和定量评估，并表现出与最先进的生成模型可比的性能，可消除卷积、规范化或自注意力层，具有更少的可训练参数。

Mar, 2023