本文提出了一种利用坐标网络和多分辨率哈希编码对体积数据进行高效压缩和表示的方法。通过学习空间坐标和强度值之间的映射，实现有效的压缩。比较了不同编码方案，并展示了多分辨率哈希编码在压缩质量和训练效率方面的优势。利用Reptile算法进行优化型元学习，学习适用于体积数据的神经表示的权重初始化，从而实现更快的收敛。与最先进的方法相比，展示了改进的图像质量和压缩比。这些发现突显了利用基于坐标的网络和多分辨率哈希编码进行高效准确的体积数据表示的潜力，为大规模数据可视化和其他应用的进展铺平了道路。

最近在数字文档修复方面取得显著突破，特别是在分析高度损坏的书写文物方面。本研究提出了一种改进的快速傅里叶卷积算子，应用于墨迹检测的分割架构，并通过实验分析证明了其适用性。为了促进研究和应用该算子于其他涉及体积数据的任务，我们将发布我们的实现。