该研究提出了一种新方法，通过变周期激活函数和超半波振荡函数（HOSC）来提升隐式神经表示（INRs）的信号表示性能。研究表明，HOSC能够更有效地捕捉信号特征，而FINER则通过灵活调节频率集来优化信号表示，展示了在图像和三维场景中的优越性。

本文提出隐式神经特征融合函数（INF）用于高光谱图像融合，解决多光谱与高光谱图像融合问题。通过引入变周期激活函数，提升了信号表示性能。研究还展示了基于特征增强的隐式神经表示方法（FFEINR）和互连融合框架，显著提高了图像重构质量和分类准确性。实验结果表明，这些方法在视觉和定量上均优于现有技术。

本文提出了一种名为INRR的正则化器，旨在提高隐式神经表示的泛化能力。INRR通过将归一化的Dirichlet能量与INR集成来改善信号表示的泛化性能，并进一步设计了实验来论证其性质。结果表明，该方法可以提高其他信号表示方法的性能。

本文提出了一种名为INRR的正则化器，旨在提高INR的泛化能力。INRR通过将归一化的Dirichlet能量与INR集成来改善信号表示的泛化性能，并设计了实验来论证其性质和提高其他信号表示方法的性能。