FourierHandFlow: Neural 4D Hand Representation Using Fourier Query Flow
KAIST(韩国科学技术院);Imperial College London(帝国理工学院)
本文提出 FourierHandFlow,用 Fourier 级数表示关节感知查询流并结合 3D 占据场,实现从 RGB 视频学习连续 4D 手部表示,在重建效率与对应相关任务上达到先进水平。
2023-07-16 cs.CV
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
SparseCraft: Few-Shot Neural Reconstruction through Stereopsis Guided Geometric Linearization
Inria(法国国家信息与自动化研究所);Univ. Rennes(雷恩大学);CNRS(法国国家科学研究中心);IRISA(雷恩信息、信号与自动化研究所);M2S(运动、交互与认知实验室)
SparseCraft提出一种从少量图像进行三维重建和新视图合成的方法,通过隐式神经表示(SDF和辐射场)结合立体视觉线索,并采用几何线性化策略增强鲁棒性,在标准基准上达到最先进性能且训练时间短。
2024-07-19 cs.CV
Learning Spatially Collaged Fourier Bases for Implicit Neural Representation
The University of Hong Kong(香港大学)
提出可学习空间掩码将不同傅里叶基分配到局部区域,实现拼贴傅里叶补丁,提升隐式神经表示在图像、视频和3D形状任务中的重建质量。
2023-12-28 cs.CV cs.LG
Content-Aware Frequency Encoding for Implicit Neural Representations with Fourier-Chebyshev Features
School of Mathematics and Statistics, Hunan Normal University(湖南师范大学数学与统计学学院);Department of Statistics and Data Science, Southern University of Science and Technology(南方科技大学统计与数据科学系)
本文提出CAFE方法,通过傅里叶-切比雪夫特征提升隐式神经表示的高频捕捉能力,实验验证其在多个基准上的优越性能。
2026-03-01 cs.AI cs.CV
Adaptive Local Frequency Filtering for Fourier-Encoded Implicit Neural Representations
College of Computer Science (College of Software), Inner Mongolia University(内蒙古大学计算机科学学院(软件学院));Institute of Computational Imaging, Beijing Information Science and Technology University(北京信息科技大学计算成像研究所);School of Mathematics and Statistics, Wuhan University(武汉大学数学与统计学院)
本文提出自适应局部频率滤波方法,用于改进傅里叶编码隐式神经表示的性能,通过空间变化参数调节傅里叶成分,提升重建质量并加快优化速度。
2026-11-04 cs.CV eess.IV
Implicit Neural Networks with Fourier-Feature Inputs for Free-breathing Cardiac MRI Reconstruction
Technical University of Munich(慕尼黑工业大学);Klinikum rechts der Isar(伊萨尔河右岸医院)
本文提出用带傅里叶特征输入的隐式神经网络表示跳动心脏并拟合欠采样测量,实现自由呼吸心脏实时MRI重建,在无需训练数据和心电传感器的情况下取得优于或媲美现有方法的图像质量。
2024-01-11 cs.CV eess.IV
FUTON: Fourier Tensor Networks for Implicit Neural Representations
Ghent University(根特大学);Vrije Universiteit Brussel (VUB)(布鲁塞尔自由大学)
FUTON通过傅里叶张量网络改进隐式神经表示,实现更快训练和更优泛化性能。
2026-11-11 cs.CV cs.LG eess.IV
Fourier-Modulated Implicit Neural Representation for Multispectral Satellite Image Compression
TelePIX 07330, Seoul, South Korea(韩国首尔TelePIX 07330)
针对多光谱卫星图像高维、海量且分辨率多样的压缩难题,提出 ImpliSat 框架,利用 INR 连续建模图像并引入逐波段傅里叶调制,实现兼顾细节保留的高效压缩重建。
2025-06-11 cs.AI cs.CV eess.IV
Alternating Phase Langevin Sampling with Implicit Denoiser Priors for Phase Retrieval
California Institute of Technology(加州理工学院)
提出将去噪器隐式先验融入交替最小化框架,用于相位恢复,在分布内图像上性能与现有算法相当,在分布外图像上显著提升。
2023-05-09 cs.CV
As large as it gets: Learning infinitely large Filters via Neural Implicit Functions in the Fourier Domain
University of Mannheim(曼海姆大学);Institute for Machine Learning and Analytics (IMLA)(机器学习与分析研究所);University of Offenburg(奥芬堡大学);Max Planck Institute for Informatics(马克斯·普朗克信息学研究所)
该研究提出通过傅里叶域神经隐式函数学习大尺寸滤波器的即插即用模块,在不增加可学习参数的前提下实现大卷积核的高效训练,分析发现学习到的滤波器实际局部性好、尺寸较小,为构建高效高性能模型提供了新思路。
2024-05-15 cs.CV
Accelerated Volumetric Compression without Hierarchies: A Fourier Feature Based Implicit Neural Representation Approach
IT4Innovations, VSB – Technical University of Ostrava(IT4Innovations,奥斯特拉瓦技术大学)
提出一种结合傅里叶特征编码与选择性体素采样的无结构神经压缩方法,通过形态学膨胀动态选择体素,在保持高压缩率与质量的同时大幅减少训练时间。
2025-08-12 cs.CV cs.LG
Fourier-Attentive Representation Learning: A Fourier-Guided Framework for Few-Shot Generalization in Vision-Language Models
Vietnamese German University(越南德语大学)
本文提出FARL框架,通过傅里叶分析解缠视觉表示,提升视觉-语言模型在少样本场景下的泛化能力。
2026-02-28 cs.CV
Hierarchical Frequency-Domain Compression of Implicit Geometric Representations for Large-Scale Point Clouds
针对大规模点云压缩成本高的问题,提出统一框架,结合隐式几何场、分层频域压缩与条件高频预测,在超八百万点复杂点云上实现更高压缩比且保持重建质量。
2026-10-14 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
Implicit Neural Image Stitching
DGIST(大邱庆北科学技术院);Korea University(高丽大学)
针对深度图像拼接模糊、光照差异及高频细节丢失问题,提出隐式神经图像拼接 NIS,通过傅里叶系数估计、潜在空间融合与 RGB 解码提升清晰度。
2024-01-22 cs.CV
Fourier PlenOctrees for Dynamic Radiance Field Rendering in Real-time
ShanghaiTech University(上海科技大学);DGene(叠境数字);KU Leuven(鲁汶大学)
诸如神经辐射场(NeRF)的隐式神经表示主要集中于对在多视图设置下捕获的静态对象进行建模,其中可以利用智能数据结构来实现实时的【形】渲染,例如,PlenOctree。在本文中,我们提出了一种新的傅立叶PlenOctree(FPO)技术,以解决有效的神经建模和实时的【形】渲染的动态场景下的自由视角视频(FVV)设置。我们FPO的关键思想是广义NeRF,PlenOctree表示,体积融合和傅立叶变换的新组合。为了加速FPO的建设,我们提出了一种新的粗到细的融合方案,利用可推广的NeRF技术,通过空间混合生成树。为了处理动态场景,我们调整隐式网络来模拟时变密度和颜色属性的傅立叶系数。最后,我们构造FPO和训练的傅立叶系数直接在一个联盟PlenOctree结构的动态序列的叶子。我们表明,由此产生的FPO使紧凑的内存过载处理动态对象,并支持有效的微调。大量的实验表明,该方法是3000倍的速度比原来的NeRF和实现超过一个数量级的加速SOTA,同时保持高的视觉质量的自由视点渲染看不见的动态场景。
2022-02-22 cs.CV cs.GR
Calibrated Harmonic Overlaid Implicit Neural Representations for Multi-Dimensional Data
Shenzhen University(深圳大学);Shenzhen Polytechnic University(深圳职业技术大学);Southern Illinois University Carbondale(南伊利诺伊大学卡本代尔分校)
提出校准谐波叠加隐式神经表示(CHOIR),通过协调谐波叠加替代函数组合以稳定优化,并引入感知频谱校准嵌入幂律先验以缓解频谱偏差,在多维数据恢复中取得最优性能。
2026-06-26 cs.CV
Neural Implicit Representations for 3D Synthetic Aperture Radar Imaging
Ohio State University(俄亥俄州立大学)
本文提出利用神经隐式表示建模3D合成孔径雷达成像中的表面散射,通过学习有符号距离函数以提高重建图像质量,并探讨未来复值神经表示的学习方法。
2026-02-19 cs.CV eess.SP
QuadINR: Hardware-Efficient Implicit Neural Representations Through Quadratic Activation
Department of Electrical and Electronic Engineering, The University of Hong Kong(电子工程系,香港大学)
针对现有隐式神经表示(INRs)采用复杂激活函数导致硬件开销大的问题,提出QuadINR,利用分段二次激活函数结合统一N阶段流水线框架,在提升高频信号表达能力的同时大幅降低硬件消耗,实验显示性能提升且资源功耗减少高达97%。
2025-08-20 cs.CV
Implicit neural representations for larval zebrafish brain microscopy: a reproducible benchmark on the MapZebrain atlas
Institute of Fundamental Technological Research Polish Academy of Sciences(波兰科学院基础技术研究所)
本文提出一个可重复的隐式神经表示基准,用于评估高分辨率幼年斑马鱼显微镜图像的重建质量,比较不同方法在保持神经结构边界方面的性能。
2026-03-26 cs.AI cs.CV cs.LG
Local Texture Estimator for Implicit Representation Function
Daegu Gyeongbuk Institute of Science and Technology (DGIST)(大邱庆北科学技术院)
最近的作品与隐式神经功能揭示了在任意分辨率表示图像。然而,一个独立的多层感知器在学习高频分量时表现出有限的性能。在本文中,我们提出了一个局部纹理估计(LTE),自然图像的主频率估计,使隐式函数捕捉精细的细节,同时以连续的方式重建图像。当与深度超分辨率(SR)架构联合训练时,LTE能够在2D傅立叶空间中表征图像纹理。我们表明,基于LTE的神经功能在任意比例因子内实现了对现有深度SR方法的良好性能。此外,我们证明了我们的实现需要最短的运行时间相比,以前的作品。
2022-03-29 cs.CV eess.IV
FOF: Learning Fourier Occupancy Field for Monocular Real-time Human Reconstruction
Tianjin University(天津大学);Tsinghua University(清华大学);Cardiff University(卡迪夫大学)
提出傅里叶占据场(FOF),一种用2D场紧凑表示3D对象的表示方法,实现单目实时高保真人重建,首个30+FPS框架,在公共和真实数据上验证。
2023-09-04 cs.CV
Spectral-wise Implicit Neural Representation for Hyperspectral Image Reconstruction
针对CASSI高光谱重建中离散波段忽略光谱连续性的问题,提出SINR框架,利用逐光谱注意力、Fourier坐标编码和光谱缩放因子实现任意波段数的连续光谱超分辨率,并取得优于基线的性能。
2025-03-18 cs.CV eess.IV
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
SIEFormer: Spectral-Interpretable and -Enhanced Transformer for Generalized Category Discovery
School of Computer Science and Engineering, Nanjing University of Science and Technology(计算机科学与工程学院,南京理工大学);School of Engineering, Newcastle University(工程学院,新castle大学);School of Computing, Newcastle University(计算学院,新castle大学)
SIEFormer通过引入谱分析方法,改进视觉变换器中的注意力机制,提升特征适应性,以解决通用类别发现任务。
2026-02-13 cs.CV
Coordinate-based Neural Network for Fourier Phase Retrieval
City University of Hong Kong(香港城市大学)
本文提出基于坐标神经网络的无监督相位恢复方法SCAN,通过联合优化预测幅度与相位克服传统迭代方法易陷局部最优且对噪声敏感的缺陷,在准确性和鲁棒性上优于现有模型并适用于叠层成像。
2024-01-08 cs.CV eess.IV
Neural Implicit Representation for Highly Dynamic LiDAR Mapping and Odometry
University of Bath(巴斯大学);ShanXi University(山西大学)
本文提出一种基于NeRF-LOAM的神经隐式表示方法,通过分离动静态前景并扩展八叉树多分辨率结构,有效提升了高度动态室外场景的LiDAR建图与里程计重建质量。
2024-09-26 cs.CV
Progressive Fourier Neural Representation for Sequential Video Compilation
Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院(KAIST))
提出渐进式傅里叶神经表示(PFNR),通过傅里叶空间稀疏编码和权重冻结迁移,实现多视频顺序编码中的持续累积与无损解码,在UVG8/17和DAVIS50基准上超越持续学习基线。
2024-02-07 cs.AI cs.CV cs.LG
Spatial-Frequency-Aware Implicit Neural Representation of Multidimensional Signals via MLP-KAN Fusion
Institute of Computational Imaging, Beijing Information Science and Technology University(北京信息科技大学计算成像研究所);College of Computer Science (College of Software), Inner Mongolia University(内蒙古大学计算机学院(软件学院));Research Center for Spatiotemporal Intelligence, Inner Mongolia University(内蒙古大学时空智能研究中心)
该研究针对隐式神经表示的频谱偏差问题,提出MLP与KAN分支融合的空间频率感知框架,结合小波变换实现互补频率建模,在多类信号上提升了重建保真度。
2026-11-03 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
Quantum Implicit Neural Representations
School of New Media and Communication, Tianjin University(天津大学新媒体与传播学院);College of Intelligence and Computing, Tianjin University(天津大学智能与计算学部)
本文提出量子隐式表示网络QIREN,将量子优势引入傅里叶神经网络,在信号表示、图像超分辨率和图像生成任务中优于SOTA模型,并开辟了量子神经网络的新应用方向。
2024-09-01 cs.AI cs.CV cs.LG
Implicit Neural Representation of Tileable Material Textures
IMPA(纯数学与应用数学研究所)
本文提出一种基于正弦神经网络与傅里叶级数的隐式表示方法,通过整数频率初始化及泊松正则化,实现可平铺纹理的连续、紧凑且抗锯齿的高质量重建。
2024-02-03 cs.CV cs.GR cs.LG
Neural Implicit k-Space for Binning-free Non-Cartesian Cardiac MR Imaging
Technical University of Munich(慕尼黑工业大学);University of Zurich(苏黎世大学);University of Michigan(密歇根大学);Imperial College London(帝国理工学院)
提出一种直接在k空间学习神经隐式表示的无分箱非笛卡尔心脏MRI重建框架,通过唯一坐标映射和逆傅里叶变换,在42个径向数据集上优于现有方法,实现实时高时空分辨率成像。
2023-06-17 cs.CV cs.LG eess.IV
IREM: High-Resolution Magnetic Resonance (MR) Image Reconstruction via Implicit Neural Representation
ShanghaiTech University(上海科技大学);Shanghai Engineering Research Center of Intelligent Vision and Imaging(上海智能视觉与成像工程技术研究中心);Shanghai Jiao Tong University(上海交通大学);Zhangjiang Laboratory(张江实验室)
为了采集高质量的高分辨率(HR)MR图像,我们提出了一种新的图像重建网络IREM,该网络在多幅低分辨率(LR)MR图像上进行训练,实现了任意上采样率的HR图像重建。在这项工作中,我们假设所需的HR图像作为一个隐式的连续函数的三维图像空间坐标和厚切片LR图像作为几个稀疏离散采样这个功能。超分辨率(SR)的任务是使用一个全连接的神经网络结合傅立叶特征位置编码从有限的观察学习连续的体积函数。通过简单地最小化网络预测与跨每个成像平面的所采集的LR图像强度之间的误差,IREM被训练成表示所观察的组织解剖结构的连续模型。实验结果表明,IREM能有效地表征图像的高频特征,在实际场景数据采集中,IREM能有效地减少扫描时间,获得高质量的高分辨率MR成像。
2021-06-29 cs.CV eess.IV
Bridging the Gap Between Adversarial Robustness and Optimization Bias
University of Toronto(多伦多大学);Vector Institute(向量研究所);DeepMind(深度思维);Google Research(谷歌研究院);Mila(米拉研究院)
我们证明了优化器,神经网络架构和正则化器的选择显着影响线性神经网络的对抗鲁棒性,提供保证,而不需要对抗训练。为此,我们重新审视了一个已知的结果连接最大的强大的分类器和最小范数的解决方案,并结合它与最近的结果隐式偏置优化。首先,我们表明,在某些条件下,它是可以实现完美的标准精度和一定程度的鲁棒性,简单地通过训练过参数化模型使用隐式偏差的优化。在这种情况下,优化器的类型与模型对之具有鲁棒性的攻击之间存在直接关系。据我们所知,这项工作是第一次研究优化方法,如符号梯度下降和邻近方法对对抗鲁棒性的影响。其次,我们描述了线性卷积模型的鲁棒性,表明它们抵抗受傅立叶- $\ell_\infty$范数约束的攻击。为了说明这些发现,我们设计了一种新的傅立叶- $\ell_\infty$攻击,发现具有可控频率的对抗性例子。我们从标准的RobustBench基准测试中评估了对抗性训练的深度CIFAR-10模型的Fourier- $\ell_\infty$鲁棒性,并可视化对抗性扰动。
2021-06-07 cs.CV cs.LG stat.ML
BF-STVSR: B-Splines and Fourier-Best Friends for High Fidelity Spatial-Temporal Video Super-Resolution
Ulsan National Institute of Science and Technology (UNIST)(蔚山科学技术院);Korea University(高丽大学)
针对连续时空视频超分辨率中位置编码和光流网络带来的性能退化问题,提出BF-STVSR框架,采用B样条映射器与傅里叶映射器分别处理时间插值和空间频率,在PSNR和SSIM等指标上达到最优。
2025-03-25 cs.AI cs.CV
Untrained neural network embedded Fourier phase retrieval from few measurements
National University of Defense Technology(国防科技大学);Academy of Military Science of People’s Liberation Army(中国人民解放军军事科学院)
针对少量测量下傅里叶相位恢复的病态性问题,提出嵌入未训练生成网络、结合TV正则化的ADMM框架算法,通过自适应权衡显隐式正则化加速,以更少计算资源实现优于现有未训练NN方法、媲美训练NN方法的性能。
2023-07-16 cs.CV eess.IV
Implicit Neural Representations and the Algebra of Complex Wavelets
Rice University(莱斯大学)
本研究聚焦使用小波激活的隐式神经表示(INRs),揭示其从MLP第一层粗近似中解析信号高频特征的机制,为INR架构设计提供复小波应用、高低通解耦等多项指导。
2023-10-01 cs.CV eess.IV eess.SP
On Optimal Sampling for Learning SDF Using MLPs Equipped with Positional Encoding
University of Hong Kong(香港大学);University of British Columbia(不列颠哥伦比亚大学);City University of Hong Kong(香港城市大学);Zhejiang University(浙江大学);Texas A&M University(德克萨斯农工大学)
本文通过傅里叶分析提出一种估计配备位置编码的MLP固有频率的方法,并基于奈奎斯特-香农采样定理确定最优训练采样率,有效消除SDF学习中的噪声伪影并提升拟合性能。
2024-12-22 cs.CV cs.GR cs.LG
Implicitly Learned Neural Phase Functions for Basis-Free Point Spread Function Engineering
Boston University(波士顿大学)
针对传统PSF工程依赖物理基函数且逐像素优化性能差的问题,提出隐式神经表示方法,在随机相位函数学习中显著提升MSSIM与PSNR。
2025-01-21 cs.CV physics.optics
Streaming Neural Images
Computer Vision Lab, CAIDAS \& IFI, University of W\"urzburg Sony Interactive Entertainment
本文系统分析隐式神经表示在图像压缩中的计算成本、性能不稳定性和鲁棒性等限制因素,并通过实验为傅里叶特征网络和Siren等方法的改进提供见解。
2025-10-14 cs.CV eess.IV
Quantum Implicit Neural Representations for 3D Scene Reconstruction and Novel View Synthesis
Computer Vision Center Universitat Autònoma de Barcelona(自动理工学院计算机视觉中心)
Q-NeRF通过混合量子-经典框架提升3D场景重建与新视角合成的性能,利用量子模块有效捕捉细尺度视角依赖外观。
2025-12-14 cs.AI cs.CV quant-ph
Improving Accuracy and Efficiency of Implicit Neural Representations: Making SIREN a WINNER
Faculty of Mechanical Engineering, Technion - Israel Institute of Technology(机械工程系,技术ion-以色列理工学院)
针对 SIREN 在初始化不当时出现的“频谱瓶颈”问题,提出 WINNER 方法,利用由目标信号频谱质心自适应确定的高斯噪声扰动初始权重,在不增加可训练参数的前提下缓解频谱偏差,显著提升了音频、图像及 3D 形状拟合的准确性与效率。
2025-09-16 cs.CV cs.LG
Bernstein-Vazirani Networks: Quantum Machine Learning by Interference
University of Siegen(锡根大学);Imperial College London(伦敦帝国学院);Halmstad University(哈尔姆斯塔德大学);Max Planck Institute for Informatics(马克斯·普朗克信息学研究所)
提出利用量子干涉的非变分量子机器学习框架BVNs,可适配问题基实现通用函数逼近,在分类及图像表示任务中泛化与性能表现优异。
2026-08-20 cs.AI cs.CV cs.LG