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

本文研究卷积神经网络的频率约束技术，实验结果显示，该技术可以控制资源使用（GPU 和内存），同时不影响模型的准确率，且无需修改现有的算法或神经网络架构。

Nov, 2019

通过在频域进行学习和频道选择，我们提出了减少冗余和显著信息以提高图像分类精度的学习方法，得出使用该方法的 ResNet-50、MobileNetV2 和 Mask R-CNN 在图像分类和实例分割上表现更好的结论。

Feb, 2020

通过学习频率表示的神经隐式函数，我们在大型图像分类基准测试中实现了与最先进技术相媲美的结果，并在频率域中执行卷积，从而可以对学习到的感受野进行深入分析。

Jul, 2023

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

神经场是一种有望替代传统的离散向量或基于网格的表示方法的信号表示方法，通过神经网络将信号表示为一个函数的参数化形式。相比离散表示方法，神经表示方法在分辨率增加时具有更好的可扩展性，是连续的，而且可以多次可微。然而，对于我们想要表示的信号数据集，为每个信号优化一个单独的神经场效率低下，并且无法利用信号之间的共享信息或结构。现有的泛化方法将其视为元学习问题，并使用基于梯度的元学习来学习初始化，然后通过测试时优化进行微调，或者学习超网络来产生神经场的权重。我们提出了一种新的范式，将神经表示的大规模训练视为部分观测神经过程框架的一部分，并利用神经过程算法来解决这个任务。我们证明了这种方法优于最先进的基于梯度的元学习方法和超网络方法。

Sep, 2023

提出了一种新的信号建模和表示框架 Factor Fields，将信号分解为一组因子，每个因子由神经场表示或正则场表示操作于坐标变换的输入信号，该框架比现有的几种信号表示方法更通用，可提高信号的逼近质量、紧凑性和效率，并且可以实现共享基础的广义化方法。

Feb, 2023

本文提出了一种基于 Meshless 插值和谱协方差方法的约束神经场方法，针对深度神经网络优化问题中缺乏硬性约束优化的现状，其约束可以具体指定为应用于神经场及其导数的线性算子，并展示了其在许多实际应用中的实验效果和高效的模型约束陈述框架。

Jun, 2023

通过对动态模型中的压缩引入的伪影进行深入分析，并利用所得的见解提出一种改进的表示方法，特别是提出了一种根据基于 Fourier 的压缩来适应底层体渲染过程的传递函数特征的新密度编码，从而显著减少动态模型中的伪影。此外，通过对训练数据的扩充来放松压缩的周期性假设。在合成和真实场景的定量和定性评估范围内展示了增强的 Fourier PlenOctrees 的有效性。

Oct, 2023

本文通过对三平面离散数据结构进行处理，展示了该结构具有丰富的信息，可以通过标准深度学习模型进行有效处理，并在处理过程中实现了与处理显式表示结构相当的任务性能，同时保持了相同的重建质量。

Oct, 2023