基于隐式神经表示的 MRI 重建方法通过引入嵌入尺度的编码器和多层感知机 (MLP) 实现了对完全采样的 MRI 图像进行任意尺度的重建，相比其他重建方法，在公开 MRI 数据集上表现出更好的性能。

Sep, 2023

本文提出了一种名为 Rapid-INR 的创新方法，利用 INR 对图像进行编码和压缩，从而加速计算机视觉任务中的神经网络训练；该方法可以将整个数据集直接存储在 GPU 上，并提出了迭代动态剪枝和逐层量化来进一步增强压缩效果，并在图像分类任务中证明了其可行性。

Jun, 2023

该研究论文提出了一种针对功能磁共振成像（fMRI）数据的压缩新模式，基于隐式神经表示（INR），通过去除时间序列中的各种冗余，包括空间相关建模、分解可重用的神经激活模式以及描述区域间相似性的适当初始化和非线性融合，成功结合了 fMRI 数据的独特特征，并在公开数据集上的实验结果表明了该方法的有效性，在传统图像质量评估指标和 fMRI 下游任务中超过了最先进的算法。该论文为在低带宽和高保真度下共享海量 fMRI 数据铺平了道路。

Nov, 2023

介绍了一种基于内涵神经表征（INR）的模态不可知神经压缩算法，使用变分压缩的方法优化了 INR 的表征能力，其在多种模态的数据集中表现出色，且在 JPEG 2000、MP3 和 AVC/HEVC 编码技术等领域实现了优于其他 INR 技术的性能。

Jan, 2023

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

本文引入 HyperINR，一种新颖的超网络架构，通过利用多分辨率哈希编码单元的集合，直接预测一个紧凑的 INR 的权重，从而提高了 INR 的推理性能和支持交互式虚拟现实。

Apr, 2023

本研究提出了 CycleINR，这是一种新颖的增强隐式神经表示模型，用于 3D 医学数据体积超分辨率。通过利用学习的隐式函数的连续性，CycleINR 模型可以以任意上采样率获得结果，消除了单独训练的需求。此外，我们通过引入局部注意机制和融合循环一致性损失来增强 CycleINR 中的格网采样，并减轻过度平滑。我们引入了一个新的度量标准，即切片噪声水平不一致性（SNLI），来定量评估切片间噪声水平的不一致性。我们通过对内部数据集的图像质量评估和对医学分割十项全能（Decathlon）肝肿瘤数据集的下游任务分析来证明我们方法的有效性。

Apr, 2024

INFusion 是一种技术，通过使用预训练的扩散模型，为基于学习的隐式神经表示（INRs）的优化提供正则化，以改善图像重建。2D 实验证明了使用我们提出的扩散正则化改进了 INR 训练的效果，而 3D 实验则证明了在 256x256x80 大小的 3D 矩阵上使用扩散正则化进行 INR 训练的可行性。

Jun, 2024

本文从图像压缩的角度出发，探索了 INRs 的作用，提出了基于 INRs 的全面压缩流水线并进行了广泛的消融研究，结果表明，该方法表现优异，且与专门为图像设计的常用压缩算法竞争力相当，接近基于率失真自编码器的最新学习方法。

Dec, 2021

本文提出了一种新的 INR 子优化集成架构来解决现有的训练过程冗长和计算资源占用高问题，该架构将表示任务分解成几个独立子网络完成，并建立了优化算法以找到子网络的最优结构。仿真结果表明，该架构具有更少的浮点运算次数和更短的训练时间，并在峰值信噪比方面具有比同类产品更好的性能。

Oct, 2021