本文提出了一种名为 LIIF 的局部隐式图像函数，通过输入图像坐标和周围的 2D 深度特征，预测给定坐标的 RGB 值，训练得到的连续表示可以呈现在任意分辨率下，甚至可以外推到高达 x30 的分辨率，同时 LIIF 还在 2D 中构建了离散和连续表示之间的桥梁。

Dec, 2020

本研究提出了一种新的自适应局部图像函数（A-LIIF）模型，旨在通过采用编码器和扩展网络，建模多个局部隐式图像函数的加权组合，从而缓解局部隐式图像函数（LIIF）模型在边缘周围出现结构失真和环状伪影等问题，实现图像超分辨率的高精度重建。

Aug, 2022

DIIF 是一种动态隐式图像函数，其使用坐标分组和切片策略从坐标切片到像素值切片进行解码，以显着降低计算成本，并且可以与超分辨率方法集成以实现令人满意的性能。

Jun, 2023

提出了一种新的通用的内隐神经表示（INR）框架，结合了 transformer 编码器和可感知局部性的 INR 解码器，显著优于以往的通用的 INR，并验证了局部感知潜变量在图像生成等下游任务中的有效性。

Oct, 2023

本文提出了两个新的神经表示架构用于建立以 INR 为基础的图像解码器，并将其用于构建最先进的连续图像生成对抗网络（GAN）。此外，本文还探索了 INR 解码器的几个有趣性质，包括超分辨率、有意义的图像空间插值、低分辨率图像的加速推理、在图像边界之外推断的能力和强大的几何先验。

Nov, 2020

提出了一个新的方法来实现输入图像的超分辨率或从随机噪声生成任意比例的新图像，该方法通过预训练的自动编码器、隐式扩散模型和隐式神经解码器及其学习策略组成。该方法在潜空间中采用扩散过程，与 MLP 在任意比例上的解码器空间相一致，并通过固定解码器反向传播输出图像的错误，提高了输出图像的质量。在广泛的实验中，该方法在图像质量、多样性和尺度一致性等指标方面均优于相关方法，在推理速度和内存使用方面显著优于相关的最新技术。

Mar, 2024

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隐式神经特征融合函数（INF）的 INR（Implicit Neural Representation）型高光谱融合模型，以高频细节辅助输入来解决 MHIF（Multispectral and Hyperspectral Image Fusion）问题并且有效改进了其他 INR 的方法及提高了模型的鲁棒性。

Jul, 2023

本文提出了一种通过分析光场图像超分辨率嵌入的几何关系并引入虚拟狭缝图像（VSI）的新 LF 子空间来提高效率的方法，并且使用超采样和 EPIXformer 几何感知译码器对低分辨率 LF 数据进行超分辨率重建，实验结果表明该方法在各种差异处理方面优于其他现有方法。

May, 2023

利用潜在扩散模型 (latent diffusion model) 配合深度学习方法，提高临床 MRI 扫描的分辨率，为 MRI 重建提供有力的先验信息。

Aug, 2023