Superpixel-informed Implicit Neural Representation for Multi-Dimensional Data
University of Electronic Science and Technology of China（电子科技大学）；Southwest Jiaotong University（西南交通大学）；Southern University of Science and Technology（南方科技大学）；Jiangxi University of Finance and Economics（江西财经大学）
针对隐式神经表示忽略数据语义信息的问题，提出超像素引导的隐式神经表示（S-INR），以广义超像素为基本单元，结合注意力MLP和共享字典矩阵利用语义先验，在多维数据恢复任务中表现优于现有方法。
2024-11-18 cs.CV
Sobolev Training for Implicit Neural Representations with Approximated Image Derivatives
Megvii Research（旷视研究院）；Peking University（北京大学）
近年来，由神经网络参数化的隐式神经表示（Implicit Neural Representations，INR）由于其连续、可微的特性，显示出了传统离散表示所无法比拟的优越性，成为一种很有前途的信号表示工具。然而，用于INR的神经网络的训练仅利用输入-输出对，并且在某些情况下可以访问的目标输出相对于输入的导数通常被忽略。在本文中，我们提出了一个训练范式的INR，其目标输出是图像像素，编码图像导数除了图像值的神经网络。具体来说，我们使用有限差分近似图像导数。我们展示了如何利用训练范式来解决典型的INR问题，即，图像回归和逆绘制，并证明这种训练范式可以提高数据效率和泛化能力的INR。我们的方法的代码可在\url{https://github.com/megvii-research/Sobolev_INRs}上获得。
2022-07-21 cs.CV
WSI-INR: Implicit Neural Representations for Lesion Segmentation in Whole-Slide Images
Graduate School of Informatics, Nagoya University（名古屋大学信息科学研究生院）；Technical University of Munich (TUM)（慕尼黑技术大学）；TUM University Hospital（慕尼黑技术大学医院）；School of Computation and Information Technology（计算与信息科技学院）；Technical University of Munich（慕尼黑技术大学）；Information Technology Center, Nagoya University（名古屋大学信息技术中心）；Munich Center for Machine Learning（慕尼黑机器学习中心）；Department of Computing, Imperial College London（伦敦帝国理工学院计算系）；Research Center for Medical Bigdata（医学大数据研究中心）
WSI-INR通过隐式神经表示实现全切片图像病变分割，提升跨分辨率的鲁棒性，优于现有方法。
2026-03-04 cs.CV
Weight-Space Mixture-of-Experts for Implicit Neural Representation Classification
Institute of Fundamental Technological Research, Polish Academy of Sciences（波兰科学院基础技术研究所）；Samsung AI Center（三星人工智能中心）
提出分层专家混合Transformer结合元学习框架，在权重空间实现隐式神经表示分类，在多分辨率基准达最优准确率，还揭示了INRs编码判别信息的结构特性。
2026-08-03 cs.CV
Signal Processing for Implicit Neural Representations
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
隐式神经表示（INRs）通过多层感知器编码连续多媒体数据，在各种计算机视觉任务中显示出不容置疑的前景。尽管有许多成功的应用，编辑和处理INR仍然是棘手的，因为信号是由神经网络的潜在参数表示的。现有的作品通过对离散化实例的处理来操纵这种连续表示，这打破了INR的紧凑性和连续性。在这项工作中，我们提出了一个试点研究的问题：如何直接修改INR没有明确的解码？我们回答这个问题，提出了一个隐式神经信号处理网络，称为INSP-Net，通过微分算子INR。我们的关键见解是，神经网络的空间梯度可以解析计算，是平移不变的，而在数学上，我们表明，任何连续卷积滤波器可以一致地近似高阶微分算子的线性组合。通过这两个旋钮，INSP-Net将信号处理算子实例化为与INR的高阶导数对应的计算图的加权组合，其中加权参数可以通过数据驱动学习。基于我们提出的INSP-Net，我们进一步构建了第一个隐式运行在INR上的卷积神经网络（CNN），称为INSP-ConvNet。我们的实验验证了INSP-Net和INSP-ConvNet在拟合低级别图像和几何处理内核（例如模糊、去模糊、去噪、修复和平滑）以及隐式领域（如图像分类）的高级任务方面的表现力。
2022-12-15 cs.CV
C$^{2}$-INR: Customized Convolutional Implicit Neural Representation
Nankai University（南开大学）
本文提出C$^{2}$-INR，通过方向能量引导的不规则核分配和退火Gumbel-Softmax激活函数选择，实现定制化卷积隐式神经表示，在图像表示、修复和超分辨率任务中超越现有方法。
2026-09-22 cs.CV
ScaLe-INR: Scale and Learn Implicit Neural Representations
eng.pdn.ac.lk（彭达大学）；ee.pdn.ac.lk（电子工程学院）
提出多分支架构ScaLe-INR，通过方向坐标缩放匹配频谱与网络最优工作区域，并设计方向边缘引导损失消除频谱串扰，在图像、音频和3D重建任务上超越现有方法。
2026-06-29 cs.CV
Boosting of Implicit Neural Representation-based Image Denoiser
City University of Hong Kong（香港城市大学）；The Hong Kong Polytechnic University（香港理工大学）
针对隐式神经表示在图像去噪中因过参数化易过拟合的问题，提出用预测值与监督信号的均值迭代替换监督信号的正则化方法，理论证明其能提升信噪比，实验表明该方法有效缓解过拟合并提升了去噪性能。
2024-01-03 cs.CV
Cross-Frequency Implicit Neural Representation with Self-Evolving Parameters
School of Mathematics and Statistics, Xi’an Jiaotong University（西安交通大学数学与统计学院）；School of Automation Science and Engineering, Faculty of Electronic and Information Engineering, Xi’an Jiaotong University（西安交通大学电子与信息学部自动化科学与工程学院）；School of Mathematical Science, University of Electronic Science and Technology of China（电子科技大学数学科学学院）
针对经典隐式神经表示（INR）需手动配置参数且在原始空间混合频率成分的问题，提出基于 Haar 小波变换的自进化跨频率INR（CF-INR），通过张量分解自动更新参数，在多视觉任务中性能优于现有方法。
2025-04-15 cs.CV
Bias for Action: Video Implicit Neural Representations with Bias Modulation
University of California Riverside（加州大学河滨分校）；Rice University（Rice大学）；Neal Cancer Center, Houston Methodist Hospital（休斯顿 Methodist医院 Neal癌症中心）
本文提出 ActINR 视频连续建模框架，通过跨帧共享 INR 权重并用时间条件 INR 生成逐帧偏置来建模运动，在慢动作、超分、去噪和修复等任务上取得显著性能提升。
2025-06-06 cs.CV
Revisiting Implicit Neural Representations in Low-Level Vision
University of Birmingham（伯明翰大学）
本文重新审视INR并将其应用于去噪、超分辨率、修复和去模糊等低层图像复原任务，实验证明其在资源受限条件下性能优于同类方法超过2 dB。
2023-04-20 cs.CV
Directional Total Variation-Regularized Implicit Neural Representations (DTV-INR) for Continuous Super-Resolution in Degraded Imaging Domains
Islamic Azad University（伊斯兰阿扎德大学）
提出DTV-INR，结合隐式神经网络与方向性全变分正则化，实现退化图像连续超分辨率，显著提升PSNR并抑制阶梯伪影。
2026-09-23 cs.CV
COSMO-INR: Complex Sinusoidal Modulation for Implicit Neural Representations
Department of Electrical and Electronic Engineering（电气与电子工程系）
COSMO-INR通过复数正弦调制激活函数提升隐式神经表示的性能，实现图像重建、去噪、超分辨率等任务的显著改进。
2025-12-12 cs.CV
Polynomial Implicit Neural Representations For Large Diverse Datasets
Arizona State University（亚利桑那州立大学）
隐式神经表示（INR）在许多终端任务的信号和图像表示中获得了极大的普及，例如超分辨率，3D建模等。大多数INR架构依赖于正弦位置编码，其考虑了数据中的高频信息。然而，有限的编码大小限制了模型的表示能力。从表示单个给定图像到表示大型和多样化的数据集，需要更高的表示能力。我们的方法通过用多项式函数表示图像来解决这个差距，并且消除了对位置编码的需要。因此，为了实现逐步更高的多项式表示，我们在每个ReLU层之后使用特征和仿射变换坐标位置之间的元素乘法。该方法在ImageNet等大型数据集上进行了定性和定量评估。所提出的Poly-INR模型可以在没有任何卷积、归一化或自我注意层的情况下执行最先进的生成模型，并且具有更少的可训练参数。通过更少的训练参数和更高的代表性，我们的方法为更广泛地采用INR模型在复杂领域中进行生成式建模任务铺平了道路。代码可在\url{https://github.com/Rajhans0/Poly_INR}上获得
2023-03-20 cs.CV
Encoding Semantic Priors into the Weights of Implicit Neural Representation
School of Electronic Science and Engineering, Nanjing University（南京大学电子科学与工程学院）
本文提出 SPW 重参数化方法，通过语义神经网络和权重生成网络将语义先验编码进 INR 权重，在不增加推理成本的情况下提升图像拟合、CT/MRI 重建和新视角合成等任务的性能。
2024-06-06 cs.CV
Enhancing Robustness of Implicit Neural Representations Against Weight Perturbations
Department of EEE The University of Hong Kong Hong Kong SAR（电子工程系 香港大学 香港特别行政区）
本文首次研究隐式神经表示对权重扰动的鲁棒性问题，提出通过最小化扰动前后损失差异并设计新型鲁棒损失函数来增强鲁棒性，实验表明在噪声条件下PSNR最高提升7.5 dB。
2025-08-19 cs.CV
VI3NR: Variance Informed Initialization for Implicit Neural Representations
The Australian National University（澳大利亚国立大学）；Roblox；Pluralis AI
本文提出一种适用于任意激活函数且具有稳定跨层方差的隐式神经表示初始化方法VI3NR，有效解决了传统初始化的局限性，并在图像、音频和3D表面重建任务中显著提升了性能。
2025-04-27 cs.CV
Explaining the Implicit Neural Canvas: Connecting Pixels to Neurons by Tracing their Contributions
University of Maryland, College Park（马里兰大学帕克分校）
本文提出XINC框架，通过追踪每个神经元对输出像素的贡献来揭示隐式神经表示（INRs）的内部机制，发现其具有分布式表示、对颜色和边缘的偏好及运动主导的跨层聚类特征。
2024-07-16 cs.CV
NeRV-Diffusion: Diffuse Implicit Neural Representations for Video Synthesis
University of Maryland, College Park（马里兰大学学院 park）
本文提出 NeRV-Diffusion，将视频整体表示并生成为 INR 网络权重，通过超网络 tokenizer 与隐式扩散 Transformer 实现高质量、高效的视频合成及平滑插值。
2025-09-29 cs.CV
H-SIREN: Improving implicit neural representations with hyperbolic periodic functions
The University of British Columbia（不列颠哥伦比亚大学）
针对正弦激活函数的INR频率受限、易过度平滑的问题，提出将首层激活改为sin(sinh(2x))的H-SIREN方法，在视觉和流体问题上性能优于现有最优INR。
2024-10-07 cs.CV
Transformers as Meta-Learners for Implicit Neural Representations
UC San Diego（加州大学圣地亚哥分校）
近年来，隐式神经表征（INRs）的出现显示出其优于离散表征的优势。然而，将INR拟合到给定的观测值通常需要从头开始使用梯度下降进行优化，这是低效的，并且不能很好地推广稀疏观测值。为了解决这个问题，大多数现有工作训练生成单个向量以调制INR权重的超网络，其中单个向量成为限制输出INR的重建精度的信息瓶颈。最近的工作表明，INR中的整个权重集可以通过基于梯度的元学习精确地推断，而没有单向量瓶颈。受基于梯度的元学习的广义公式的启发，我们提出了一种公式，使用Transformers作为INR的超网络，其中它可以直接构建整个INR权重集，其中Transformers专门作为集到集映射。我们证明了我们的方法在不同的任务和领域，包括二维图像回归和三维对象的视图合成建立INR的有效性。我们的工作绘制了Transformer超网络和基于梯度的元学习算法之间的连接，我们提供了进一步的分析，以了解生成的INR。
2022-08-05 cs.CV cs.LG
SINCO: A Novel structural regularizer for image compression using implicit neural representations
Washington University in St. Louis（圣路易斯华盛顿大学）
隐式神经表示（INR）最近已经被提出作为用于图像压缩的基于深度学习（DL）的解决方案。可以通过训练具有比图像像素的数量更少的权重的INR模型来压缩图像，以将图像的坐标映射到对应的像素值。虽然传统的INR训练方法是基于执行逐像素图像一致性，但我们建议通过使用新的结构正则化器来进一步提高图像质量。本文提出了一种新的用于图像压缩的INR方法--结构正则化压缩方法（SINCO）。SINCO通过使用分割网络来惩罚从压缩图像预测的分割掩模的差异，从而将压缩图像的结构一致性强加给地面实况。我们验证SINCO脑MRI图像显示，它可以实现更好的性能比最近的一些INR方法。
2022-10-26 cs.CV eess.IV
Towards Lossless Implicit Neural Representation via Bit Plane Decomposition
Korea University（高丽大学）；DGIST（大邱庆北科学技术院）
该研究从数字视角量化隐式神经表示（INR）的模型规模上限，提出位平面分解方法让INR预测位平面，实现了高比特深度信号的无损表示，还拓展了INR的应用场景。
2025-03-20 cs.CV
TPG-INR: Target Prior-Guided Implicit 3D CT Reconstruction for Enhanced Sparse-view Imaging
TPG-INR通过目标先验引导隐式学习，提升稀疏视图CT重建的效率和质量。
2025-12-17 cs.CV
OmniStyle-INR: Universal and Multimodal Style Transfer for INRs
Jagiellonian University（雅盖隆大学）；IDEAS Research Institute（IDEAS 研究所）
研究针对不同数据模态的风格迁移问题，提出OmniStyle-INR框架，利用基于网络的连续表示作为通用域，实现了在文本提示和视觉示例引导下跨视觉模态的高质量风格迁移。
2026-07-21 cs.CV
PatchINR: Patch-Based Implicit Neural Representations for Efficient and Scalable Inference
The Department of Electrical and Computer Engineering, The University of Hong Kong, Hong Kong.（香港大学电子与计算机工程系）
提出基于块的隐式神经表示方法，以非重叠块为处理单元单次预测整块像素，减少推理查询次数，结合FPGA硬件加速实现75%推理延迟降低且参数仅增0.6%。
2026-06-25 cs.CV
Neural Implicit Dictionary via Mixture-of-Expert Training
University of Texas at Austin（德克萨斯大学奥斯汀分校）
通过基于坐标的深度全连接网络表示视觉信号已被证明在拟合复杂细节和解决逆问题方面比基于离散网格的表示具有优势。然而，获取这样一个连续的隐式神经表示（INR）需要对大量信号测量进行繁琐的逐场景训练，这限制了它的实用性。在本文中，我们提出了一个通用的INR框架，通过从数据汇集中学习神经隐式字典（NID）并将INR表示为从字典中采样的基础的函数组合来实现数据和训练效率。我们的NID集合了一组基于坐标的子网络，这些子网络被调整以跨越所需的函数空间。在训练之后，通过求解编码系数，可以立即且鲁棒地获得不可见的场景表示。为了对大量的网络进行优化，我们借鉴了混合专家（MoE）的思想，采用稀疏门控机制来设计和训练我们的网络。我们的实验表明，NID可以提高重建的2D图像或3D场景的2个数量级的速度高达98%的输入数据减少。我们进一步展示了NID在图像修补和遮挡去除中的各种应用，这些应用被认为是具有挑战性的。我们的代码可在https://github.com/VITA-Group/Neural-Implicit-Dict上找到。
2022-07-08 cs.CV
Q2A: Querying Implicit Fully Continuous Feature Pyramid to Align Features for Medical Image Segmentation
School of Software, BNRist, Tsinghua University（清华大学软件学院，北京信息科学与技术国家研究中心）
针对基于隐式神经表征的医学图像分割解码器存在的特征错位问题，提出基于单步查询的Q2A范式与隐式全连续特征金字塔及分治聚合策略，在多个数据集上验证了优越性。
2024-04-15 cs.CV
Benchmarking Implicit Neural Representation and Geometric Rendering in Real-Time RGB-D SLAM
AI Thrust, HKUST(GZ)（香港科技大学（广州）AI部门）；Dept. of CSE, HKUST（香港科技大学计算机科学与工程系）
本文构建了首个开源基准框架，系统评测实时RGB-D SLAM中多种隐式神经表示与几何渲染函数对建图和定位的影响，并提出混合编码策略以兼顾精度、完整性与计算效率。
2024-03-28 cs.CV
Lossless-INR: Lossless Volumetric Implicit Neural Representations
University of Notre Dame（圣母大学）
研究针对体数据的无损 INR 框架，核心方法是基于位平面分解，将重建转为逐位二进制分类，结合八叉树块分区与三元特征网格网络，实现零误码率和逐位精确重建，利于逼真渲染与下游分析。
2026-07-21 cs.CV cs.GR
Meta-INR: Efficient Encoding of Volumetric Data via Meta-Learning Implicit Neural Representation
University of Notre Dame（圣母大学）
针对INR为每个新体积从头训练效率低的问题，提出Meta-INR元学习预训练策略，从体数据集部分观测学习初始参数，提升泛化性与收敛速度，支持未见数据编码及模拟参数分析等任务。
2025-02-12 cs.AI cs.CV cs.GR
MC-INR: Efficient Encoding of Multivariate Scientific Simulation Data using Meta-Learning and Clustered Implicit Neural Representations
Korea University（韩国大学）；University of Notre Dame（诺特大学）
MC-INR通过结合元学习和聚类技术，高效编码多变量科学模拟数据，提升复杂结构的表示能力与编码性能。
2025-07-03 cs.CV cs.LG
Implicit Neural Representations: A Signal Processing Perspective
Department of Electrical and Computer Engineering, Johns Hopkins University（约翰霍普金斯大学电气与计算机工程系）
本文从信号处理角度探讨隐式神经表示的发展，分析其在频谱行为、采样理论和多尺度表示中的应用，讨论了从传统坐标网络到高级设计的演变，以及在医学成像、压缩和3D场景表示中的应用。
2026-04-16 cs.CV
Fit Pixels, Get Labels: Meta-learned Implicit Networks for Image Segmentation
Rice University（里士大学）
本研究提出元学习框架MetaSeg，通过元学习为同时预测像素强度和类别标签的隐式神经表征寻找最优初始参数，微调即可实现医学图像分割，参数量比U-Net少90%且性能相当。
2025-10-05 cs.CV
INR-Bench: A Unified Benchmark for Implicit Neural Representations in Multi-Domain Regression and Reconstruction
School of Computer Science and Technology, Tongji University（同济大学计算机科学与技术学院）；School of Electrical Engineering and Computer Science, The University of Queensland（昆士兰大学电气工程与计算机科学学院）；Department of Automation, Shanghai Jiao Tong University（上海交通大学自动化学院）
基于NTK理论分析模型架构、位置编码等因素对INR的影响，提出首个多模态INR综合基准INR-Bench，涵盖78种模型变体与9项正逆向任务，为未来研究奠定基础。
2025-10-11 cs.CV cs.LG
Implicit Neural Representation for Video Restoration
Clemson University, School of Computing（克莱姆森大学计算机学院）
提出基于隐式神经表示的 VR-INR，仅用 ×4 尺度训练即可泛化到任意超分辨率尺度，并对含噪视频实现零样本去噪，重建质量优于现有方法。
2025-06-05 cs.CV
Improved Implicit Neural Representation with Fourier Reparameterized Training
School of Computer Science and Engineering, UESTC（电子科技大学计算机科学与工程学院）
本文提出傅里叶重参数化方法，通过学习固定傅里叶基的系数矩阵来缓解MLP的频谱偏置，从而提升隐式神经表示的精度与质量。
2024-07-04 cs.CV
SINR: Sparsity Driven Compressed Implicit Neural Representations
Johns Hopkins University（约翰斯·霍普金斯大学）
本文提出SINR，一种利用字典内高维稀疏编码压缩隐式神经表示权重的算法，无需学习或传输字典原子，可集成于现有压缩技术，显著降低存储需求并保持高质量解码。
2025-03-25 cs.CV cs.LG
ARC: Anchored Representation Clouds for High-Resolution INR Classification
Delft University of Technology（代尔夫特理工大学）
针对当前INR图像分类方法仅适用于低分辨率数据、对图像空间变换敏感的问题，提出新型架构ARC，通过局部锚定潜在向量引入空间结构，实现高低分辨率图像隐式分类的SOTA效果并提升平移鲁棒性。
2025-03-19 cs.CV
Split-Layer: Enhancing Implicit Neural Representation by Maximizing the Dimensionality of Feature Space
针对传统MLP架构中低维特征空间限制INR表示能力且拓宽MLP成本过高的问题，提出split-layer方法，通过并行分支与哈达玛积扩展特征空间维度，在多任务中提升INR性能且不增加过高计算开销。
2025-11-13 cs.CV
SeCo-INR: Semantically Conditioned Implicit Neural Representations for Improved Medical Image Super-Resolution
Monash University（莫纳什大学）
本文提出SeCo-INR框架，利用医学图像语义分割提供的局部先验条件化隐式神经表示，为各语义区域推导最优INR，在多种医学成像模态上实现了优于现有方法的超分辨率效果。
2024-09-02 cs.AI cs.CV eess.IV
Where Do We Stand with Implicit Neural Representations? A Technical and Performance Survey
University of Cambridge（剑桥大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Tsinghua University（清华大学）
该综述系统梳理INR方法，按激活函数、位置编码、组合策略和网络优化分类，并结合实验分析性能权衡与未来方向。
2025-02-18 cs.CV
Few-shot Implicit Function Generation via Equivariance
Shanghai Jiao Tong University（上海交通大学）；National University of Singapore（新加坡国立大学）
本文提出EquiGen框架，利用权重置换形成的等变群和等变潜在空间，在少样本条件下生成多样化且功能一致的隐式神经表示权重。
2025-01-03 cs.AI cs.CV
Optical Flow Regularization of Implicit Neural Representations for Video Frame Interpolation
Kobe University（神户大学）
最近的工作表明，隐式神经表征（INR）的能力进行有意义的表示信号的衍生物。在这项工作中，我们利用这一属性来执行视频帧插值（VFI）明确约束的导数的INR，以满足光流约束方程。我们只使用目标视频及其光流在有限的运动范围上实现了最先进的VFI，而不需要从额外的训练数据中学习插值算子。我们进一步表明，约束INR导数不仅可以更好地插值中间帧，而且还提高了窄网络的能力，以适应观察到的帧，这表明潜在的应用视频压缩和INR优化。
2022-06-22 cs.CV cs.LG
Implicit Neural Representations for Variable Length Human Motion Generation
Tokyo Institute of Technology（东京工业大学）；Denso IT Laboratory Inc.（电装IT实验室株式会社）
提出了一种基于变分隐式神经表征的动作条件下人体运动生成方法。变分形式主义使动作条件分布的INR，从中可以很容易地采样表示，以产生新的人体运动序列。我们的方法提供了可变长度的序列生成的建设，因为INR的一部分是优化的任意长度的整个序列的时间嵌入。相比之下，以前的作品报道的困难与建模可变长度的序列。我们确认，我们的方法与Transformer解码器优于所有相关的方法HumanAct 12，NTU-RGBD，和UESTC数据集的现实主义和多样性的生成的运动。令人惊讶的是，即使我们的方法与MLP解码器始终优于最先进的基于变换器的自动编码器。特别是，我们表明，由我们的方法产生的可变长度的运动比由国家的最先进的方法在现实主义和多样性方面产生的固定长度的运动。代码在https://github.com/PACerv/ImplicitMotion。
2022-07-15 cs.CV
Partition Speeds Up Learning Implicit Neural Representations Based on Exponential-Increase Hypothesis
Zhejiang University（浙江大学）；The University of Melbourne（墨尔本大学）；Hong Kong Baptist University（香港浸会大学）
本文提出基于指数增长假设的分区机制，通过将图像划分为子区域并使用分段隐式神经表示，显著加速了图像重建中INR方法的收敛速度。
2023-10-22 cs.CV
Accelerated Optimization of Implicit Neural Representations for CT Reconstruction
Marquette University（马奎特大学）
针对CT重建中隐式神经表示（INRs）训练过慢的问题，提出改进损失函数和交替方向乘子法两种策略，显著加速稀疏视角下合成乳腺CT体模的INR重建。
2025-04-18 cs.CV eess.IV
Efficient Implicit Neural Compression of Point Clouds via Learnable Activation in Latent Space
Zhejiang University（浙江大学）
提出PICO框架，利用潜空间可学习激活的LeAFNet网络进行点云隐式神经压缩，在几何和属性压缩上优于传统方法，D1 PSNR平均提升4.92 dB。
2025-04-20 cs.CV
Sampling Theory for Super-Resolution with Implicit Neural Representations
Department of Mathematical and Statistical Sciences, Marquette University（数学与统计科学系，马凯特大学）
该研究针对隐式神经表示（INRs）在线性逆问题中的样本复杂度不明问题，建立了单隐层ReLU INR结合傅里叶特征与权重衰减正则化的傅里叶采样恢复理论，并通过实验验证了精确恢复概率与超分辨率性能。
2025-06-11 cs.CV eess.IV
Neural Experts: Mixture of Experts for Implicit Neural Representations
Roblox（罗布乐思公司）；The Australian National University（澳大利亚国立大学）；Amazon（亚马逊公司）
针对现有隐式神经表征单网络全局约束的局限，提出融合混合专家架构的INR方法，搭配新型门控网络条件调节与预训练策略，在多类重建任务上实现了速度、精度与内存效率的提升。
2024-10-29 cs.CV
Implicit Neural Feature Fusion Function for Multispectral and Hyperspectral Image Fusion
University of Electronic Science and Technology of China（电子科技大学）；Institute of Methodologies for Environmental Analysis (CNR-IMAA)（环境分析研究所（CNR-IMAA））；National Biodiversity Future Center（国家生物多样性未来中心）
本文提出隐式神经特征融合函数INF，通过双高频融合结构和基于余弦相似度的无参数INR-CS方法，有效融合HR-MSI与LR-HSI，构建的INFN在CAVE和Harvard数据集上取得领先性能。
2023-10-29 cs.CV
DD-INR: Dynamics-Driven Implicit Neural Representation for Accelerated Whole-Brain Functional MRI Reconstruction
MIND, Inria, Palaiseau, France（MIND、Inria、法国帕莱赛欧）；Neurospin, CEA Paris Saclay, France（Neurospin、CEA巴黎萨克雷、法国）；CEA NeuroSpin, Paris-Saclay University, CNRS BAOBAB, Gif-sur-Yvette, France（CEA NeuroSpin、巴黎萨克雷大学、CNRS BAOBAB、法国吉夫-sur-伊夫特）
提出DD-INR框架，通过将fMRI数据分解为静态背景和动态成分并用隐式神经表示建模动态，实现加速fMRI重建，提升图像质量和激活模式恢复。
2026-06-09 cs.CV physics.med-ph
Fourier-enhanced Implicit Neural Fusion Network for Multispectral and Hyperspectral Image Fusion
UESTC（电子科技大学）
本文提出傅里叶增强隐式神经融合网络（FeINFN），通过空间与频率隐式融合函数和复Gabor小波激活解码器，解决INR易丢失高频信息与缺乏全局感知能力的问题，在MHIF任务上实现了SOTA性能。
2024-04-23 cs.CV
Towards a Sampling Theory for Implicit Neural Representations
Department of Mathematical and Statistical Sciences（数学与统计科学系）；Marquette University（马歇尔大学）
该研究聚焦线性逆问题中隐式神经表示（INRs）的样本复杂度问题，通过关联非凸优化与凸惩罚极小值点，推导了宽度1的INR精确恢复的采样条件并给出宽W猜想，同时通过实验验证了理论并展示其超分辨率性能。
2025-06-11 cs.CV eess.IV
