神经高斯尺度空间场
利用傅立叶理论和热方程衍生的一种新型激活函数，我们提出了一种设计神经场的新方法，使得可以使用高斯点扩散函数查询点，在 ASSR 分辨率转换时提供了理论上保证的抗锯齿效果，并且在计算成本上不增加额外开销，同时与超网络结合，比之前的方法更具参数效率。
Nov, 2023
本文介绍了一种使用经过训练的积分场实现大规模卷积的方法，用以弥补神经场作为连续信号表示方法而不易进行信号处理的问题。作者在各种数据模态和空间变化的核上演示了该方法。
Apr, 2023
介绍了深度尺度空间 (DSS)，一种卷积神经网络的推广，利用传统图像识别任务的尺度对称结构。在构建尺度等变的互相关基础上，可以在几乎任何现代深度学习架构中以即插即用的方式使用。通过应用于 Patch Camelyon 和 Cityscapes 数据集，证明了其实用性和高效性，并进行自省研究以进一步了解其性质。
May, 2019
本文通过分析神经网络对频率和尺度的敏感性发现，神经网络具有不同频段类别的偏好，并且物体的尺度影响首选频段。为了证实这一假设，我们提出了基于高斯导数的网络体系结构，能够以手动方式从不同尺度上提取特征，提高了在各种数据集上的可比准确性。
Feb, 2023
通过将神经网络从权重空间转化为函数空间的双参数化技术，我们解决了渐进学习方法在深度学习中的挑战，包括融入新数据和保留先前知识等问题。该技术在大规模数据集上通过稀疏化实现了函数空间方法的可扩展性，同时在有限访问过去数据时保留先前知识，并且在不需重训练的情况下融合新数据。我们的实验表明，我们能够在持续学习中保留知识并高效地融入新数据。此外，我们进一步展示了该技术在不确定性量化和基于模型的强化学习中的优势。详情和代码可在项目网站上找到。
Mar, 2024
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
利用多参数线性尺度空间构建最大核集合，以构建用于一维连续信号分类和识别的树，并引入新的拓扑不变树构建方法，同时推导出最大核集合的一些有用性质，并加强和推广了先前关于高斯核分类的一些结果。
May, 2023
提出了一个名为 Space2Vec 的表示学习模型，用于将地点的绝对位置和空间关系进行编码，并在地理数据和图像分类两个任务上得到了比径向基函数和多层前馈神经网络等传统机器学习方法更好的效果，其特点是具有多尺度表示能力。
Feb, 2020
该论文通过将离散数据应用于尺度空间理论，深入探讨了逼近高斯平滑和高斯导数计算的问题，研究了三种不同的离散化方法，并通过理论和实验分析了它们的性能特征，结果表明在非常精细的尺度下，离散模拟的高斯核和导数逼近比其他方法表现更好。
Nov, 2023